EPCM公司

基于可能性的c均值聚类算法PCM是Krishnapuram和Keller为克服FCM(fuzzyc-means)算法的噪声敏感性而首次提出的基于可能性的聚类算法PCM。然而,PCM仍然存在以下缺点:(1)聚类结果对参数选择和/或初始化有很强的依赖性(2) 由于聚类的一致性问题,聚类精度往往下降(3) 孤立点不能很好地标记,这将削弱其在实际应用中的聚类性能。在本研究中,为了有效地避免上述缺点,本研究提出一种新的增强型PCM版本(EPCM)。本文首先提出了一种灵活的超球面二分法策略,将数据集分为两部分:主聚类和辅助聚类,然后利用新的约束条件构造EPCM的目标函数。最后,利用另一种优化方法实现了EPCM。EPCM的主要优点在于,它不仅可以通过在目标函数中引入新的约束来避免重合聚类问题,而且由于引入了灵活的超球面二分法策略,使得噪声敏感性降低,聚类精度提高。我们对模拟和真实数据集的实验结果证实了上述结论。