第11期 王玲等：一种基于密度的模糊自适应聚类算法 ·1565· [4]Shi H Y,Ping L,Ji D G,et al.A statistical information-based 4结论 clustering approach in distance space.I Zhejiang Unir Sci A, 2005,6(1):71 DFAC算法通过自适应地确定邻域半径得到每 [5]Zhao W,Xia G S,Gou Z J,et al.An Improved DBSCAN Algo- 个样本的密度，并基于样本密度逐渐增加聚类中心， rithm.J Sichuan Norm Unin Nat Sci,2013(2):312 同时为了保证聚类结果的有效性提出一种新的模糊 (赵文，夏桂书，苟智坚，等.一种改进的DBSCAN算法.四 聚类有效性指标以判断聚类数为何值时聚类效果最 川师范大学学报：自然科学版，2013(2)：312) 佳.最终对聚类中心的更新进一步改善了算法的聚 6 Xia L N,Jing J W.SA-DBSCAN:a self-adaptive densitybased 类正确率.真实数据实验结果表明，DFAC算法无需 clustering algorithm.J Grad Sch Chin Acad Sci,2009,26(4): 530 预先定义聚类邻域参数，在未知聚类数的情况下，根 (夏鲁宁，荆继武.SA-DBSCAN:一种自适应基于密度聚类 据新的模糊聚类指标可以确定最佳聚类数，因此极 算法.中国科学院研究生院学报，2009,26(4)：530) 大提高了算法的自适应性，而且DFAC算法的准确 7]Huang M,Bian F.A grid and density based fast spatial clustering 性和效率较DBSCAN算法有显著的提高. algorithm /AICl'09 International Conference on Artificial Intelli- gence and Computational Intelligence.IEEE,2009:260 参考文献 8] Wang W,Li D Z,Vrbanek J.An evolving neuro-fuzzy technique [Ertoz L,Steinbach M,Kumar V.Finding clusters of different si- for system state forecasting.Neurocomputing,2012,87:111 zes,shapes,and densities in noisy high dimensional data//Siam Bai L.Theoretical Analysis and Effective Algorithms of Cluste Proceedings Series,2003:47 Learning [Dissertation].Taiyuan:Shanxi University,2012 Ester M,Kriegel H P,Sander J,et al.A density-based algorithm (白亮.聚类学习的理论分析与高效算法研究[学位论文」 for discovering clusters in large spatial databases with noise / 太原：山西大学，2012) Proceedings of the 2nd International Conference on Knowledge Dis- [10]Bezdek JC.Ehrlich R.Full W.FCM:the fuzzy c-means cluste- covery and Data Mining.Portland,1996:226 ring algorithm.Comput Geosci,1984,10(2):191 Lin C Y,Chang CC,Lin CC.A new density-based scheme for [11]Sun Y,Zhu Q M,Chen Z X.An iterative initial-points refine- clustering based on genetic algorithm.Fundam Inf,2005,68 ment algorithm for categorical data clustering.Pattern Recognit (4):315 Lt,2002,23(7):875第 11 期 王 玲等: 一种基于密度的模糊自适应聚类算法 4 结论 DFAC 算法通过自适应地确定邻域半径得到每 个样本的密度，并基于样本密度逐渐增加聚类中心， 同时为了保证聚类结果的有效性提出一种新的模糊 聚类有效性指标以判断聚类数为何值时聚类效果最 佳． 最终对聚类中心的更新进一步改善了算法的聚 类正确率． 真实数据实验结果表明，DFAC 算法无需 预先定义聚类邻域参数，在未知聚类数的情况下，根 据新的模糊聚类指标可以确定最佳聚类数，因此极 大提高了算法的自适应性，而且 DFAC 算法的准确 性和效率较 DBSCAN 算法有显著的提高． 参 考 文 献 ［1］ Ertz L，Steinbach M，Kumar V． Finding clusters of different si￾zes，shapes，and densities in noisy high dimensional data / / Siam Proceedings Series，2003: 47 ［2］ Ester M，Kriegel H P，Sander J，et al． A density-based algorithm for discovering clusters in large spatial databases with noise / / Proceedings of the 2nd International Conference on Knowledge Dis￾covery and Data Mining． Portland，1996: 226 ［3］ Lin C Y，Chang C C，Lin C C． A new density-based scheme for clustering based on genetic algorithm． Fundam Inf，2005，68 ( 4) : 315 ［4］ Shi H Y，Ping L，Ji D G，et al． A statistical information-based clustering approach in distance space． J Zhejiang Univ Sci A， 2005，6( 1) : 71 ［5］ Zhao W，Xia G S，Gou Z J，et al． An Improved DBSCAN Algo￾rithm． J Sichuan Norm Univ Nat Sci，2013( 2) : 312 ( 赵文，夏桂书，苟智坚，等． 一种改进的 DBSCAN 算法． 四 川师范大学学报: 自然科学版，2013( 2) : 312) ［6］ Xia L N，Jing J W． SA-DBSCAN: a self-adaptive density-based clustering algorithm． J Grad Sch Chin Acad Sci，2009，26 ( 4) : 530 ( 夏鲁宁，荆继武． SA--DBSCAN: 一种自适应基于密度聚类 算法． 中国科学院研究生院学报，2009，26( 4) : 530) ［7］ Huang M，Bian F． A grid and density based fast spatial clustering algorithm / / AICI’09 International Conference on Artificial Intelli￾gence and Computational Intelligence． IEEE，2009: 260 ［8］ Wang W，Li D Z，Vrbanek J． An evolving neuro-fuzzy technique for system state forecasting． Neurocomputing，2012，87: 111 ［9］ Bai L． Theoretical Analysis and Effective Algorithms of Cluster Learning ［Dissertation〗． Taiyuan: Shanxi University，2012 ( 白亮． 聚类学习的理论分析与高效算法研究［学位论文〗． 太原: 山西大学，2012) ［10］ Bezdek J C，Ehrlich Ｒ，Full W． FCM: the fuzzy c-means cluste￾ring algorithm． Comput Geosci，1984，10( 2) : 191 ［11］ Sun Y，Zhu Q M，Chen Z X． An iterative initial-points refine￾ment algorithm for categorical data clustering． Pattern Ｒecognit Lett，2002，23( 7) : 875 · 5651 ·