[发明专利]信息反馈RBF网络估值的不完整数据模糊聚类方法

说明书

本发明涉及一种信息反馈RBF网络估值的不完整数据模糊聚类方法，步骤如下：1)提出信息反馈RBF网络模型；2)，提出一种信息反馈RBF数值型估值的不完整数据模糊聚类方法(IFRBF‑FCM)；3)利用最近邻规则为不完整数据样本选取相应的训练样本集，利用最近邻训练样本集为每个缺失属性训练IFRBF网络，从而实现对不完整数据样本中缺失属性的估值预测，得到IFRBF网络估值恢复后的完整数据集；4)对不完整数据属性的估值区间进行确定，提出了一种IFRBF区间型估值的不完整数据模糊聚类方法(IFRBF‑IFCM)，得到模糊聚类结果。本发明采用IFRBF网络对不完整数据集进行估值得到的恢复完整的数据集的聚类结果与对比方法相比提高了准确率，比数值型估值的聚类结果更准确，鲁棒性也更好。

技术领域

本发明涉及一种用于对不完整数据模糊聚类的方法，尤其是一种信息反馈RBF网络区间型估值的不完整数据模糊聚类方法。

背景技术

在信息技术高速发展的当下，各个领域内都存在大量的数据。而对于这些数据的处理已经非人力所能及。因此，需要借助计算机来处理这些数据。聚类分析在多个领域内都产生了很大的影响。传统的聚类分析算法属于硬划分，每个数据样本只能属于或者不属于某一类簇，换句话说，各类簇的隶属度取值要么为0，要么为1。但是，现实中的大多数数据都会具有一定的模糊性，并不严格明确的属于某一类簇，而是以不同程度属于多个类簇。

因此，作为无监督分类方法，模糊C均值(FCM)算法是众多聚类算法中使用最为广泛的方法。模糊聚类算法中的隶属度矩阵表示每个数据样本属于各个类簇的程度[18]，更能体现出数据的模糊性。但是使用该算法的数据集需是完整的，它并不能直接作用于存在缺失的不完整数据集。但在实际中，经常会出现不完整数据集。这种有缺失的不完整数据集产生的原因是多种多样的。为了解决这种问题许多国内外的学者对不完整数据的模糊聚类分析进行了进一步的研究。

发明内容

本发明针对于基本的FCM算法不能直接应用于不完整数据集的模糊聚类问题，提出了一种信息反馈RBF网络估值的不完整数据模糊聚类方法。另外，因为通过训练IFRBF网络，得到的对于不完整数据的估计值是数值型的。但是数值型数据不能够准确的描述不完整数据的不确定性，同时也会存在一定的误差。针对于此问题，本发明提出了一种IFRBF区间型估值的不完整数据模糊聚类方法。

为了实现上述目的，本发明创造采用的技术方案为：信息反馈RBF网络估值的不完整数据模糊聚类方法，其特征在于，步骤如下：

1)提出信息反馈RBF网络模型：结合卡尔曼滤波方法，输入参数为X＝(x₁,x₂,…,x_n+m)，输出参数为Y＝(y₁,y₂,…,y_m)，计算不完整数据的理论期望输出值与其网络的实际输出值之间的误差e，由此将RBF神经网络的预测值与数据的理论期望值的差值反馈给输入层，从而得到IFRBF模型；

2)利用最近邻规则为不完整数据样本选取相应的训练样本集，并利用最近邻训练样本集为每个缺失属性训练IFRBF网络，从而实现对不完整数据样本中缺失属性的估值预测，进而得到IFRBF网络估值恢复后的完整数据集，并进行模糊聚类分析；

3)不完整数据集的区间型转化：通过IFRBF网络对不完整数据样本中丢失的数据属性进行估值填充，得到IFRBF网络对不完整数据样本中的完整属性的估值误差，根据得到的估值误差绝对值的平均值确认该缺失数据属性的区间型表达，并将数据集中的完整属性进行区间化处理；

4)利用区间型模糊C均值聚类方法对转化后的区间型数据集进行聚类分析,各个聚类中心由区间型向量表示，得到模糊聚类结果。

所述的步骤1)中，具体方法为：

1.1)输入数据集归一化处理：将所有的数据均转化为区间[0,1]之间的数，从而消除各维度间数量级的差别；