论文研究一种基于改进混合蛙跳的KFCM算法.pdf

针对核模糊C-均值（KFCM）聚类算法存在易陷入局部极小值，对初始值敏感的缺点。将混合蛙跳算法（shuffledfrogleapingalgorithm，SFLA）用于KFCM中，但在聚类数较大和维数较高时，聚类效果不理想，为此提出将自适应惯性权重引入混合蛙跳算法的更新策略中，再用改进后的混合蛙跳算法求得最优解作为KFCM算法的初始聚类中心，利用KFCM算法优化初始聚类中心，求得全局最优解，从而有效克服了KFCM算法的缺点。人造数据和经典数据集的实验结果表明，新算法与KFCM和FCM聚类算法相比，寻优能力更强，迭代次数更少，聚类效果更好。