论文部分内容阅读
经典的模糊C-均值聚类算法存在对噪声数据较为敏感、未考虑样本属性特征间的不平衡性及对高维数据聚类不理想等问题，而可能性聚类算法虽然解决了噪声敏感和一致性聚类问题，但算法假定每个样本对聚类的贡献程度一样。针对以上问题，提出了一种基于样本一特征加权的可能性模糊核聚类算法，将可能性聚类应用到模糊聚类中以提高其对噪声或例外点的抗干扰能力；同时，根据不同类的具体特性动态计算样本各个属性特征对不同类别的重要性权值及各个样本对聚类的重要性权值，并优化选取核参数，不断修正核函数把原始空间中非线性可分的数据集映射到高雏空间