基于懲罰因子的樣本隸屬度改進(jìn)算法

　　針對(duì)傳統(tǒng)模糊C均值（FCM）算法在聚類過程中存在收斂速度慢、對(duì)大數(shù)據(jù)處理實(shí)時(shí)性不強(qiáng)等問題，提出了一種基于懲罰因子的樣本隸屬度改進(jìn)算法。首先分析抑制式模糊C均值（ SFCM）聚類特點(diǎn)，研究懲罰因子對(duì)樣本隸屬度修正的觸發(fā)條件，進(jìn)而設(shè)計(jì)出基于懲罰因子的SFCM聚類隸屬度動(dòng)態(tài)修正算法。通過算法實(shí)現(xiàn)樣本向“兩極移動(dòng)”，達(dá)到快速收斂之目的。理論分析與實(shí)驗(yàn)結(jié)果表明，在相同的初始化條件下，改進(jìn)算法的執(zhí)行時(shí)間效率比傳統(tǒng)FCM算法提高約40%，比基于優(yōu)化選擇的SFCM（ OS-SFCM）算法提高l0%，其聚類準(zhǔn)確度與其他兩種算法相比也有一定的提高。
?