实验分析和结果
实验数据集： Iris data set是由Ronald Fisher在1936提出的多元数据集，作 为判别分析的一个例子，用来分辨鸢尾花卉的种类。Iris data set：150个数据点、4-D特征（花萼长度、花萼宽度、 花瓣长度、花瓣宽度）、分属3个类、每类50个点 实验方法： 实验分别使用3种模糊加权指数m（2、2.5、3） 实验分别使用3种算法（FCM、FWCM、NW-FCM） 随机产生初始聚类中心或隶属矩阵，改变算法和加权指数 分别重复进行1000次实验。 运算停止条件：迭代前后隶属度矩阵的差异小于0.00001或 迭代次数大于100
提出新加权模糊C-均值算法
初始化
• 输入对象X，确定聚类类数N，确定加权指数m，随机在范围[0，1] 的值形成初始隶属度矩阵 • 计算模糊聚类中心 • 计算加权平均值
计算聚 类中心 计算加 权平均 值 更新拉 格朗日 乘数 更新隶 属度
• 计算拉格朗日乘数
• 更新隶属度
终止
• 反复执行第二步和第三步直至算法收敛，即前后两个矩阵的差异低于阀 值或迭代次数达到指定次数
基于一种新的加权 模糊C均值聚类的遥感图片分类
论文结构
一、研究内容及相关工作
二、新加权模糊C均值
三、实验分析和结果
四、总结
研究内容
非参数加权特 征提取 （NWFE）的 加权平均
模糊C均 值聚类 （FCM）
加权模糊C 均值聚类 （FWCM）
新加权模糊C 均值聚类 （NW-FCM）
实验证明新加权模糊C均值聚类比 FCM、FWCM有更好的聚类效果，特别 针对高光谱图像。
迭代
更新聚 • 以每一类的平均向量作为新的聚类中心，重新分配数据对象。 类中心 • 反复执行第二步和第三步直至满足中止条件
终止
举一个简单的例子来说明问题： 设有一组数据集x1=(2,1),x2=(1,3),x3=(6,7),x4=(4,7)
目标函数：
同一类的中心点：
2、模糊C-均值聚类
• 输入对象X，确定聚类类数N，确定模糊加权指数m，随机在范围[0， 初始化 1] 的值形成初始隶属度矩阵
计算聚 • 模糊聚类中心 类中心
更新隶 • 新的隶属度 属度 ，组成新的隶属矩阵
终止
• 反复执行第二步和第三步直至算法收敛，即前后两个矩阵的差异低 于阀值或迭代次数达到指定次数 FCM算法得出结果较为稳定，但分类精确度不够。
3、加权模糊C-均值聚类
FWCM算法得出结果分类精度度较高，但不稳定。
判别分析特征 提取（DAF值聚类（C-均值）
算法目的 ：各个样本与所在类均值的误差平方和达到最小
• 输入对象X，确定聚类类数N，并在X中随机选取N个对象作为初始 聚类中心。设定迭代中止条件，比如最大循环次数或者聚类中心 初始化 收敛误差容限。
算 法 步 骤 • 根据相似度准则将数据对象分配到最接近的聚类中心，从而形成 一类。
实验分析和结果
从表中可以看到FWCM的总体准确度的方差较大，FCM和NW-FCM 的准确度的稳定性要比FWCM好，而NW-FCM聚类的总体准确度 要高于FCM算法。相对与FCM和FWCM，NW-FCM算法既稳定又准 确。
总结
1、新加权模糊C均值聚类在聚类的准确性和稳定性 上具有优势 2、可用于图像识别、图像分割和模式识别 3、FCM聚类中心表示的是每个类的平均特征，可以 认为是这个类的代表点。