[发明专利]一种基于模糊度量的k均值聚类的数据处理方法

摘要

一种基于模糊度量的k均值聚类的数据处理方法，包括以下步骤：1)初始化，在m个n维向量中随机取q个向量作为初始均值聚类中心，q为类型数目；2)对于每一个待聚类的向量计算到每一个均值中心的模糊度量的距离；3)对待聚类的该向量分配一个类号，类号取自于具与最小模糊度量距离的均值中心所在的类别；4)遍历各个待聚类向量，根据所属类号，分别计算具有相同类号的向量的平均向量，该平均向量更新作为新的均值中心；5)对于每一类别，计算当前均值中心与被更新的均值中心之间的模糊度量距离；6)如果前后均值中心的模糊度量距离均小于预设的阈值，则分类结束，否则回到2)继续。本发明更加符合人类主观的模糊性标准、准确性较好。

主权项

一种基于模糊度量的k均值聚类的数据处理方法，其特征在于：所述数据处理方法包括以下步骤：1)初始化，在m个n维向量中随机取q个向量作为初始均值聚类中心，q为类型数目；2)对于每一个待聚类的向量计算到每一个均值中心的模糊度量的距离；设第h类的均值中心为(Mh1,Mh2,...,Mhn)T，某向量为计算该两个向量之间的模糊度量的距离的过程如下：2.1)计算两个向量的差，并取1范数，得到如下的向量分布(|Mh1-xi1~|,|Mh2-xi2~|,...,|Mhn-xin~|)T]]>2.2)对上述结果向量的分量作由小到大的排序，得到(a1,a2,...,an)其中a1≤a2≤...≤an且l＝1,2,...,n；1≤r1,r2,...,rn≤n2.3)从(a1,a2,...,an)各分量里取出相异的t个数值，计算其中，表示(a1,a2,...,an)各分量不小于的个数，当各个{al}相异时，即取ai和中的较小者；2.4)最后得到模糊度量的距离数值为measure＝max{b1,b2,...,bt}即所有{bi}中的最大值；3)对待聚类的该向量分配一个类号，类号取自于具与最小模糊度量距离的均值中心所在的类别；4)遍历各个待聚类向量，根据所属类号，分别计算具有相同类号的向量的平均向量，该平均向量更新作为新的该类的均值中心；5)对于每一类别，计算当前均值中心与被更新的均值中心之间的模糊度量距离；6)对于每一类别，如果前后均值中心的模糊度量距离均小于预设的阈值，则分类结束，否则回到2)继续。