[发明专利]一种基于最大隶属度的模糊层次聚类方法

权利要求书

1.一种基于最大隶属度的模糊层次聚类算法，其特征在于：本方法将隶属度作为聚类的基准方式，采用相邻分类的形式，并利用提前设定隶属度阈值λ的方式，防止类别聚合程度过深；核心思想是：首先将数据样本各自归为一类；然后利用模糊隶属度进行类别关联计算，依据最大隶属度聚类的基本准则，构造二叉树的形式建立层次聚类结构；最后通过聚类二叉树子图集合判别最终聚类结果；

包括如下步骤：

步骤1，初始化样本聚类中心及相关参数；

步骤1，又包括如下子步骤：

步骤1.1将样本数据集X＝{x₁,x₂,…,x_n}中的每个元素都记为初始聚类的中心，则初始聚类中心集记为C＝{c₁,c₂,…,c_k}，一共有k个；

此处，k＝n；

步骤1.2初始化二叉树图集V＝{v₁,v₂,…,v_k}，二叉树图集V中有k个二叉树子图，每一个二叉树子图均为一个样本数据节点；

其中，k＝n；

步骤1.3初始化最小聚类类别数α、隶属度阈值λ和隶属度因子m；

步骤1.4初始化循环次数cycle＝1；

步骤2，计算步骤1.2中数据节点关于聚类中心的隶属度；

步骤3，判断U中隶属度u_ij的最大值，并判断此最大值是否大于隶属度阈值，若大于执行步骤4，否则跳至步骤8；

步骤4，构造新的聚类二叉树子图，即将聚类中心c_i和c_j合并成新聚类中心c_new，在聚类二叉树图集V中找到c_i或c_j所在的二叉树子图，以c_new为新的根节点、c_i和c_j为子节点合并不同的二叉树子图；

步骤5，以新聚类中心center_new为根节点，在聚类二叉树图集V中查找所有的叶子节点，以此为一类，设该类有p个数据节点，并利用式计算新类的中心center_new；

步骤6，在聚类中心集C中增加新的聚类中心center_new，并将聚类中心集C中的c_i和c_j删掉，跳至步骤7；

步骤7，判断二叉树图集V的子图个数，若聚类二叉树图集V中的二叉树子图数小于或等于聚类最小类别数α，则跳至步骤8，否则跳至步骤2；

步骤8：聚类完成，统计聚类结果；

根据最终的聚类二叉树图集V，统计子图个数，即可得到最终的聚类个数，并将所有子图的叶子节点进行分类，即得到最终的聚类结果。

2.根据权利要求1所述的一种基于最大隶属度的模糊层次聚类算法，其特征在于：步骤2，具体为：

利用模糊矩阵U＝[u_ij]表示聚类中心C的模糊划分，即用u_ij表示第j(j＝1,2,…,k)个聚类中心属于第i(i＝1,2,…,k)类的隶属度u_ij，并通过如下公式(1)计算隶属度：

其中，d_ij＝d(c_j,c_i)＝||c_i-c_j||，c_i和c_j分别表示第i类和第j类的聚类中心，m为隶属度因子；表示对从1到k求和。

3.根据权利要求1所述的一种基于最大隶属度的模糊层次聚类算法，其特征在于：步骤3，具体为：

3.A如果u_ijmax＞λ，则执行步骤4；

3.B若u_ijmax≤λ，证明聚类达到预设条件，则跳至步骤8；

其中，U中隶属度u_ij最大的一对聚类中心c_i和c_j，记为u_ijmax。

4.根据权利要求1所述的一种基于最大隶属度的模糊层次聚类算法，其特征在于：步骤7，具体为：

7.A如果聚类二叉树图集V中的子图数小于或等于聚类最小类别数α,说明所有的样本元素已经聚类完成，跳至步骤8；

7.B如果聚类二叉树图集V中的二叉树子图数大于聚类最小类别数α,说明所有的样本元素还没完成聚类，令cycle＝cycle+1，跳至步骤2，继续进行聚类。