一种适用于模糊聚类算法的有效性指标

模糊c均值聚类算法是最常见的聚类算法。 它通过定义成员资格矩阵来解决数据的不切实际的本质。 由于模糊c均值聚类算法需要预先设置分类数,这在没有先验数据集的情况下几乎是不可能的,因此一些学者提出了有效性指标的概念。 由于有效性指标与隶属度矩阵,数据集中的数据点和聚类中心之间的距离关系有关,因此希望特征加权方法可以用于评估数据集中数据的所有特征。以获得最佳的分类编号。 因此,本文提出了一种针对综合权重指数,密实度指数和可分离性指数的改进的有效性指数。 该有效性指标首先确定数据点的特征与数据点本身之间的关系。 通过定义新的紧度函数和可分离性函数,获得数据集中每个特征的权重,然后将有效性指标与模糊c均值聚类算法相结合,以有效地确定要处理的类的数量。 该算法在两个人工数据集和真实数据集上进行了测试。 实验结果证明了这项工作在图像处理中的优势,并表明它可以有效地获得可靠的数据分类结果。