従来のファジィC平均（FCM）アルゴリズムは元のデータに基づいて直接クラスタリングを行うため、ノイズや異常値などの要因によってデータの内在構造が破壊され、クラスタリング性能に影響を及ぼす可能性があります。FCMアルゴリズムのロバスト性を向上させるために、適応的近隣情報に基づくファジィC平均クラスタリングアルゴリズムを提案しました。近隣情報とは、データ点間の類似度に基づく尺度であり、各データ点は他のデータ点の近隣と見なせますが、異なるデータ点間の類似度は異なります。サンプル点の近隣情報<inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"><msub><mrow><mi>G</mi></mrow><mrow><mi>X</mi></mrow></msub></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/8D7FE795-FAB5-4be3-8567-D60B0DA896E0-M001.jpg"/></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/8D7FE795-FAB5-4be3-8567-D60B0DA896E0-M001c.jpg"/></alternatives></inline-formula>とクラス中心点の近隣情報<inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M2"><msub><mrow><mi>G</mi></mrow><mrow><mi>V</mi></mrow></msub></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/8D7FE795-FAB5-4be3-8567-D60B0DA896E0-M002.jpg"/></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/8D7FE795-FAB5-4be3-8567-D60B0DA896E0-M002c.jpg"/></alternatives></inline-formula>を基本的なFCMモデルに組み込み、クラスタリング過程により多くのデータ構造情報を提供してクラスタリングアルゴリズムのクラスタ分割過程を指導し、アルゴリズムの安定性を向上させました。本論文で提案したクラスタリングモデルを解くために3つの反復アルゴリズムを提案しました。他の先進的なクラスタリングアルゴリズムと比較して、いくつかのベンチマークデータセットでクラスタリング性能が10%以上向上し、パラメータ感度、収束性、アブレーション実験などの観点からアルゴリズムを評価しました。実験結果は、本論文で提案したクラスタリングアルゴリズムの実現可能性と有効性を十分に示しています。

ファジィC平均クラスタリング; 適応的近隣; アルゴリズムのロバスト性; 反復アルゴリズム