UNCA：用于鲁棒聚类和增强数据解释的中智学框架

准确表示庞大数据集中包含的复杂联系和固有的不确定性仍然是数据聚类领域的一个主要难题。我们提出了统一中智聚类算法（UNCA）来解决这些问题，该算法将多方面策略与中智逻辑相结合以提升聚类性能。UNCA 首先通过 ${\lambda}$-截割矩阵进行全面的相似性检验，以过滤每两个数据点之间有意义的关系。然后，我们为中智 K-Means 聚类初始化质心，其中隶属度值基于其真、不确定和假的隶属度。接着，该算法与动态网络可视化和 MST（最小生成树）相结合，以便清晰地表示簇之间关系的视觉解释。UNCA 采用单值中智集（SVNSs）来细化簇分配，并在模糊化相似性度量后，保证精确的聚类结果。最后一步涉及通过去模糊化方法巩固聚类结果，提供明确的簇分配。根据性能评估结果，UNCA 在多项指标上优于传统方法：它在 Iris 数据集上的轮廓系数为 0.89，在 Wine 数据集上的 Davies-Bouldin 指数为 0.59，在 Digits 数据集上的调整兰德指数（ARI）为 0.76，在客户细分数据集上的归一化互信息（NMI）为 0.80。这些结果表明，与模糊 C 均值（FCM）、中智 C 均值（NCM）以及核中智 C 均值（KNCM）相比，UNCA 除了提高聚类准确性外，还如何增强了可解释性和鲁棒性。这使得 UNCA 成为复杂数据处理任务的有用工具。