O algoritmo tradicional de C-médias difusas (FCM) realiza a clusterização diretamente nos dados originais, e a estrutura intrínseca dos dados pode ser afetada por ruído, valores atípicos ou outros fatores, o que impacta o desempenho da clusterização. Para melhorar a robustez do algoritmo FCM, foi proposto um algoritmo de clusterização de C-médias difusas baseado em informações adaptativas de vizinhança. A informação de vizinhança refere-se a uma medida baseada na similaridade entre pontos de dados, onde cada ponto pode ser considerado vizinho de outros pontos, mas a similaridade entre diferentes pontos varia. As informações de vizinhança dos pontos amostrais <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> e as informações de vizinhança dos centros das classes <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> são incorporadas no modelo básico FCM para fornecer mais informações de estrutura de dados ao processo de clusterização, orientando o particionamento dos clusters no algoritmo para melhorar a estabilidade do mesmo. Foram propostos 3 algoritmos iterativos para resolver o modelo de clusterização apresentado neste artigo. Comparado com outros algoritmos avançados de clusterização, o desempenho foi melhorado em mais de 10% em alguns conjuntos de dados de referência. O algoritmo também foi avaliado em termos de sensibilidade a parâmetros, convergência e experimentos de ablação. Os resultados experimentais demonstram plenamente a viabilidade e eficácia do algoritmo de clusterização proposto.

Clusterização fuzzy C-médias; Vizinhança adaptativa; Robustez do algoritmo; Algoritmos iterativos