用模糊推理机制调整RPCL算法中的惩罚力度

• 作者: 尤飞 杨昔阳
• 来源期刊: 纺织高校基础科学学报
• 关键词: RPFCL算法 RPCL算法 惩罚力度 奖励力度 模糊规则
• 年，卷（期）: 2006,（2）
• 所属期刊栏目: 数学
• 页码范围: 145-148,159
• 页数: 5页
• 分类号: TP18|O159
• 语种: 中文
• DOI: 10.3969/j.issn.1006-8341.2006.02.014

摘要

关于聚类已经有一些相当成熟的算法, 但是这些算法都要事先给定聚类个数, 带有很大的主观性.针对此问题, 惩罚次胜者竞争学习算法(RPCL) 通过初始化足够多聚类中心, 并且把多余的聚类中心排挤到离数据区足够远的地方来自动确定聚类个数.试验表明这种算法在很多情况下有着良好的运用, 但是该算法学习速度比较慢, 在处理类别界限模糊的数据集时往往得不到正确的分类.针对它存在的问题, 用几条模糊控制规则, 提出了惩罚次胜者模糊竞争学习算法以达到自动调整次胜者学习速度的目的.实验表明,惩罚次胜者模糊竞争学习算法更优秀.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	尤飞	榆林学院计算机与网络工程系	28	135	7.0	11.0
2	杨昔阳	泉州师范学院数学系	50	131	7.0	9.0