基于改進(jìn)核模糊C均值類間極大化聚類MKFCM算法

　　傳統(tǒng)的核聚類僅考慮了類內(nèi)元素的關(guān)系而忽略了類間的關(guān)系，對邊界模糊或邊界存在噪聲點的數(shù)據(jù)集進(jìn)行聚類分析時，會造成邊界點的誤分問題。為解決上述問題，在核模糊C均值（ KFCM）聚類算法的基礎(chǔ)上提出了一種基于改進(jìn)核模糊C均值類間極大化聚類（ MKFCM）算法。該算法考慮了類內(nèi)元素和類間元素的聯(lián)系，引入了高維特征空間的類間極大懲罰項和調(diào)控因子，拉大類中心間的距離，使得邊界處的樣本得到了較好的劃分。在各模擬數(shù)據(jù)集的實驗中，該算法在類中心的偏移距離相對其他算法均有明顯降低。在人造高斯數(shù)據(jù)集的實驗中，該算法的精度（ACC）、歸一化互信息（NMI）、芮氏指標(biāo)（RI）指標(biāo)分別提升至0.9132，0.7575，0.9138。
?