...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Fuzzy sets and systems >Fuzzy c-varieties/elliptotypes clustering in reproducing kernel Hilbert space
【24h】

Fuzzy c-varieties/elliptotypes clustering in reproducing kernel Hilbert space

机译：再生内核希尔伯特空间中的模糊c变种/椭圆型聚类

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Fuzzy clustering algorithms are successfully applied to a wide variety of problems, such as: pattern recognition, image analysis, modeling and so on. The Fuzzy C-Means (FCM) method is one of the most popular clustering methods based on the minimization of a criterion function. However, the performance of the FCM method is good only when a data set contains clusters that are approximately the same size and shape. In this paper, a simple idea will be used, to overcome this problem. The original input (data) space will be mapped into the high (possibly infinite)-dimensional feature space F through some nonlinear mapping. In this space the data structures will be modeled by the linear varieties or elliptotypes. This method is called Kernel Fuzzy C-Varieties/Elliptotypes clustering algorithm. Performance of the new clustering algorithm is experimentally compared with FCM and fuzzy c-varieties/elliptotypes methods using synthetic datasets and real-life datasets.
机译：模糊聚类算法已成功应用于各种问题，例如：模式识别，图像分析，建模等。模糊C均值（FCM）方法是基于准则函数最小化的最受欢迎的聚类方法之一。但是，仅当数据集包含大小和形状近似相同的簇时，FCM方法的性能才是好的。在本文中，将使用一个简单的想法来克服此问题。原始输入（数据）空间将通过一些非线性映射映射到高（可能是无限）维特征空间F中。在这个空间中，数据结构将由线性变体或椭圆型建模。这种方法称为内核模糊C变量/椭圆型聚类算法。使用合成数据集和真实数据集，将新聚类算法的性能与FCM和模糊c变种/椭圆型方法进行了实验比较。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号