전통적인 퍼지 C-평균(FCM) 알고리즘은 원시 데이터를 기반으로 직접 클러스터링을 수행하며, 데이터의 내재된 구조가 노이즈, 이상치 또는 기타 요인들에 의해 손상될 수 있어 클러스터링 성능에 영향을 미칠 수 있습니다. FCM 알고리즘의 견고성을 향상시키기 위해 적응형 이웃 정보 기반의 퍼지 C-평균 클러스터링 알고리즘이 제안되었습니다. 이웃 정보란 데이터 포인트 간 유사도를 기반으로 한 측정으로, 각 데이터 포인트는 다른 데이터 포인트의 이웃으로 간주될 수 있으나 데이터 포인트 간 유사도는 다릅니다. 샘플 포인트의 이웃 정보 <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>와 클래스 중심점의 이웃 정보 <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>가 기본 FCM 모델에 통합되어 클러스터링 과정에 더 많은 데이터 구조 정보를 제공하며, 클러스터 구분 과정을 안내하여 알고리즘의 안정성을 향상시킵니다. 본문에서 제안한 클러스터링 모델을 해결하기 위해 3개의 반복 알고리즘이 제안되었습니다. 다른 최신 클러스터링 알고리즘과 비교했을 때 일부 벤치마크 데이터 세트에서 클러스터링 성능이 10% 이상 향상되었으며, 파라미터 민감도, 수렴성, 소거 실험 등 측면에서 알고리즘을 평가하였습니다. 실험 결과는 본문에서 제안한 클러스터링 알고리즘의 타당성과 유효성을 충분히 보여줍니다.

퍼지 C-평균 클러스터링; 적응형 이웃; 알고리즘 견고성; 반복 알고리즘