以优化模糊化因子向量增强模糊C均值重构性能
人工智能
2020-04-14 v1 系统与控制
信号处理
系统与控制
摘要
信息粒被视为粒计算(GrC)的基本构造。作为一种有用的无监督学习技术，模糊C均值(FCM)是构建信息粒最常用的方法之一。基于FCM的粒化-去粒化机制在GrC中起着关键作用。本文为提升去粒化(重构)过程的质量，通过引入模糊化因子向量并建立调整机制来修正原型与划分矩阵，从而增强基于FCM的去粒化机制。该设计被视为一个由重构准则引导的优化问题。在所提方案中，初始划分矩阵与原型由FCM生成。随后引入模糊化因子向量，为每个簇形成适当的模糊化因子，以建立修正原型与划分矩阵的调整方案。借助粒化-去粒化过程的监督学习模式，我们构造了模糊化因子向量、原型与划分矩阵的复合目标函数。接着采用粒子群优化(PSO)来优化模糊化因子向量，以精化原型并得到最优划分矩阵。最终增强了FCM算法的重构性能。我们对所发展方案进行了透彻分析。特别地，我们表明经典FCM算法构成了所提方案的一个特例。在合成与公开可用数据集上完成的实验表明，所提方法优于通用数据重构方法。
引用
@article{arxiv.2004.05764,
title = {Augmentation of the Reconstruction Performance of Fuzzy C-Means with an Optimized Fuzzification Factor Vector},
author = {Kaijie Xu and Witold Pedrycz and Zhiwu Li},
journal= {arXiv preprint arXiv:2004.05764},
year = {2020}
}