[发明专利]基于直觉模糊C均值的汽车数据聚类方法及系统

权利要求书

1.基于直觉模糊C均值的汽车数据聚类方法，其特征是，包括：

输入设定参数和汽车数据集特征值矩阵；

利用改进的直觉模糊熵，对汽车数据集特征值矩阵进行加权计算，获得加权后的特征值矩阵；

定义密度参数，确定初始聚类中心；

判断迭代次数是否小于设定迭代阈值，如果是，则进入隶属度矩阵计算步骤，否则进入输出步骤；

隶属度矩阵计算步骤：计算隶属度矩阵；

利用隶属度矩阵更新聚类中心；

判断上一时刻数据集对于聚类中心的欧氏距离平方和，与当前时刻数据集对于聚类中心的欧氏距离平方和的差值是否小于设定阈值；如果是，则进入输出步骤，如果否，则返回隶属度矩阵计算步骤；

输出步骤：输出隶属度矩阵和聚类中心，根据最大隶属度原则求得汽车数据聚类结果；

设汽车集合X＝{x₁,x₂,…x_n},A＝{x_i,μ_A(x_i),v_A(x_i)|x_i∈X}是X上的直觉模糊集，所述改进的直觉模糊熵E(A)公式：

其中f_A(x)＝1-|μ_A(x)-v_A(x)|，π_A(x)＝1-μ_A(x)-v_A(x)，f_A(x_i)是汽车参数指标x_i在A中的模糊度，π_A(x_i)是x_i在A中的犹豫度，δ_A(x)是区间数的模糊程度，μ_A(x)是隶属度，v_A(x)是非隶属度。

2.如权利要求1所述的方法，其特征是，所述设定参数，包括：聚类数目c、模糊度参数m、停止迭代的阈值ε和迭代次数t；所述汽车数据集特征值矩阵G，包括：每一款汽车的油耗、汽车轮胎的摩擦系数、汽车的价格、汽车的舒适度和汽车的安全系数。

3.如权利要求1所述的方法，其特征是，所述利用改进的直觉模糊熵，对汽车数据集特征值矩阵G进行加权计算，获得加权后的特征值矩阵，具体步骤为：

其中，ω_j是汽车数据集特征值矩阵G的权重计算公式，表示第j列的直觉模糊熵；

计算加权后的特征值矩阵G′：

g′_ij＝ω_jg_ij＝1-(1-μ_ij)^ωj,(v_ij)^ωj；

其中，加权后的特征值矩阵G′＝(g′_ij)_n×s；g_ij是矩阵的特征值，μ_ij是隶属度，v_ij是非隶属度。