计算机应用研究

作者：于佩秋,李进金,林国平,

单位：1.闽南师范大学数学与统计学院,福建漳州363000；2.福建省粒计算重点实验室,福建漳州363000；

关键词：多粒度粗糙集,聚类融合,大津算法,包含度,

基金：福建省自然科学基金资助项目(2016J01315,2017J01507)；国家自然科学基金资助项目(61379021,11871259)；国家青年科学基金资助项目(61603173)；浙江省海洋大数据挖掘与应用重点实验室开放课题(OBDMA201603)；2017年福建省中青年教师教育科研项目(JAT170340)；福建省数学类研究生教育创新基地资助项目(1013-313009)；；

现有的聚类融合算法从聚类成员的角度出发，若使用全部聚类成员则融合结果受劣质成员影响，对聚类成员进行选择再进行融合则选择的策略存在主观性。为在一定程度上避免这两种局限性，可以从元素的角度出发，提出一种新的聚类融合方法。通过多粒度决策不一致粗糙集来选择一部分类别确定的元素，再利用这部分元素进行聚类融合生成新的划分；多粒度决策不一致粗糙集模型能够刻画多粒度决策过程中属性一致而决策不一致的现象，提出了一种基于多粒度决策不一致的粗糙集模型，并给出了一种聚类融合方法。具体做法是：首先在数据集上多次使用K-means聚类算法，生成论域上的多个粒结构；其次对所有粒结构两两之间求粒间包含度，建立包含度矩阵，对矩阵使用Otsu算法计算阈值，得出多组满足阈值条件的信息粒，求解多粒度决策不一致下近似和上近似；最后分别处理下近似与边界域中元素的类别，从而获得一个经过融合的聚类划分。实验结果表明，该方法能够有效改善聚类的结果，具有较高的时间效率，且算法具有较好的鲁棒性。

来源：2019年第10期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2019年第10期