[发明专利]一种簇特征加权的模糊紧致散布聚类方法

摘要

针对现有的WFCM算法在聚类时没有考虑样本硬划分实际情况且对样本分布不均衡情况数据聚类效果不好，FCS算法没有考虑硬划分边界点的情况以及忽略样本特征参数对各类聚类影响的问题，本发明公开了一种簇特征加权的模糊紧致散布聚类方法,通过对样本隶属度、特征权重进行调整，遵循了样本硬划分的实际情况，并充分考虑样本特征参数对各类聚类的影响，尽可能使得样本类内紧致、类间分散，解决了位于硬划分边界的样本隶属度问题，在样本分布不均衡情况下对于噪声数据和异常数据实现了更有效的划分。本方法聚类性能良好，收敛速度快、迭代效率高。聚类性能良好，迭代效率高，适于应用在工业控制中样本分布不均衡、实时性、准确率要求高的场合。

主权项

一种簇特征加权的模糊紧致散布聚类方法，应用于数据处理领域，其特征在于，获得传感器采集到的数据后，簇特征加权的模糊紧致散布聚类方法对采集的数据进行分类，再根据分类结果判断工业设备或工艺的当前状态，所述簇特征加权的模糊紧致散布聚类方法包括如下步骤：步骤一：设置隶属度指数m、特征加权指数α∈[‑10，‑1]∪(1,10]、β∈{0.005,0.05,0.5,1}，初始迭代次数p＝0以及迭代误差ε＞0，随机生成初始聚类中心ai，s为特征参数个数；步骤二：根据下式计算系数ηi：ηi=β4mini≠i′||ai-ai′||2maxt||at-X‾||2]]>其中，为样本均值；步骤三：根据下式更新样本隶属度μij：μij=(Σk=1sωikα(||xjk-aik||2-ηi||aik-Xk‾||2))11-mΣt=1c(Σk=1sωtkα(||xjk-atk||2-ηt||atk-Xk‾||2))11-m]]>记Δij=Σk=1sωikα(||xjk-aik||2-ηi||aik-Xk‾||2)]]>当样本点xj存在落在硬划分边界上时，此时Δij＝0，在保证各样本点相对于第i类的距离尺度不变的前提下，对所有Δij≥0的样本点利用P(Δij)进行调整：Δij=P(Δij≥0)=Δij+rand*minj(Δij>0),(j=1,...,n)]]>调整后利用下式计算新的μij：μij=Δij11-mΣt=1cΔtj11-m]]>因为有样本点xj落在第i类硬划分区域内，所以会有μij＜0，因此对μij进行硬划分调整：μij=1,Δij<0μi′j=0,i′≠i]]>步骤四：根据下式计算特征权重ωik：ωik=(Σj=1nμijm(||xjk-aik||2-ηi||aik-Xk‾||2))11-αΣt=1s(Σj=1nμtjm(||xjt-ait||2-ηi||ait-Xt‾||2))11-α]]>记Δik=Σj=1nμijm(||xjk-aik||2-ηi||aik-Xk‾||2)]]>若Δik＜0，因为ωik∈[0,1]，所以需将Δik投影到大于0的区间且保证各样本的第k个特征参数与第i类的硬划分区的距离尺度不变，于是利用下式调整Δik：Δik=Δik-mink(Δik)+mink(Δik>0)]]>调整后利用特征权重公式计算新的ωik；步骤五：根据下式计算聚类中心aik：aik=Σj=1nμijm(xjk-ηiXk‾)Σj=1nμijm(1-ηi)]]>步骤六：令迭代次数p＝p+1，直到否则转到步骤二；步骤七：将第p次迭代得到的μij输出，根据即第j个样本属于第i类。