[发明专利]一种基于最大隶属度的模糊层次聚类方法

摘要

一种基于最大隶属度的模糊层次聚类方法，属于数据挖掘技术领域。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。本发明整个聚类过程可以无需设置聚类初始点，只需根据隶属度阈值即可自动调节聚类数目，使聚类的条件更加直观，具有较好的鲁棒性。

主权项

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,…,xn}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,…,ck}，一共有k个；此处，k＝n；步骤1.2初始化二叉树图集V＝{v1,v2,…,vk}，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uij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ci和cj合并成新聚类中心cnew，在聚类二叉树图集V中找到ci或cj所在的二叉树子图，以cnew为新的根节点、ci和cj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centernew，并将聚类中心集C中的ci和cj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。