[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

说明书

本公开公开了基于直觉模糊C均值的汽车数据聚类方法及系统，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，求得汽车数据聚类结果。

技术领域

本公开涉及汽车数据聚类技术领域，特别是涉及基于直觉模糊C均值的汽车数据聚类方法及系统。

背景技术

本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。

在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：

随着智能设备的普及，互联网和物联网的繁荣,数据呈爆炸式的增长，汽车行业的发展越来越受人瞩目。汽车在使用和运行过程中产生了大量的数据,例如电池和电机的状态等。而如何利用汽车产生的大量数据进行知识挖掘、机器错误检索等任务则成为行业内的难点之一。

发明内容

为了解决现有技术的不足，本公开提供了基于直觉模糊C均值的汽车数据聚类方法及系统；利用直觉模糊熵对模糊C均值算法FCM进行改进，引入密度参数选取初始聚类中心，是解决模糊C均值算法易陷入局部最优的问题的重要手段；

第一方面，本公开提供了基于直觉模糊C均值的汽车数据聚类方法；

基于直觉模糊C均值的汽车数据聚类方法，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。

第二方面，本公开还提供了基于直觉模糊C均值的汽车数据聚类系统；

基于直觉模糊C均值的汽车数据聚类系统，包括：

输入模块，其被配置为：输入设定参数和汽车数据集特征值矩阵；

加权模块，其被配置为：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；

初始聚类中心确定模块，其被配置为：定义密度参数，确定初始聚类中心；

第一判断模块，其被配置为：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模块，否则进入输出模块；

隶属度矩阵计算模块，其被配置为：计算隶属度矩阵；

更新模块，其被配置为：利用隶属度矩阵更新聚类中心；