论文部分内容阅读
模糊C均值算法（FCM）是一种用于聚类的最流行的技术。不过，传统的FCM使用欧氏距离作为数据集的相似准则，从而导致数据集的划分有相等的趋势。而数据集的形状和簇的密度对聚类性能有高度影响。为了解决这个问题，提出基于簇密度的距离调节因子以修正相似性度量。同时，针对模糊C-均值（FCM）聚类算法对初始聚类中心选择敏感，易陷入局部最优的问题，采用量子粒子群优化算法以获取全局最优解。仿真实验证明，改进的聚类算法（QPSO-FCM-CD）具有良好的性能。