优化KPCA特征提取下的FCM算法研究  

Fuzzy C-Mean algorithm based on optimized KPCA feature extraction

作　　者：蔡静颖[1] 张永[1] 张凤梅[1] 谢福鼎[1] 

机构地区：[1]辽宁师范大学计算机系,辽宁大连116081

出　　处：《计算机工程与应用》2009年第32期38-40,共3页Computer Engineering and Applications

基　　金：国家自然科学基金No.10771092;辽宁省博士启动基金No.20081079;辽宁省教育厅科学技术研究项目No.2008347~~

摘　　要：利用核函数主元分析(KPCA)方法对大样本、高维数据进行特征提取预处理,并结合文化算法(CA)选择最优或接近最优的核函数,将其用于模糊C均值(FCM)聚类中,不但有效地提取了样本的非线性信息,而且使样本维数得到约简。实验表明该方法具有较好的聚类效果和更少的训练时间。Kernel PCA method extracts feature from large samples and high dimension data sets,combining CA to select opti- mized kernel function or near optimized kernel function.FCM based on the method not only effectively extracts the nonlinear information from the samples but also reduces dimension.Experiment shows its better clustering result and less train time.

关 键 词：核函数主元分析 文化算法 模糊聚类 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]