27、聚类算法：减法聚类与模糊聚类详解

聚类算法：减法聚类与模糊聚类详解

1. 减法聚类（Subtractive Clustering）

减法聚类可用于初始化迭代聚类算法（如 C - means 和 FCM）的初始值。通过对参数 α 和 β 进行搜索，可以改进减法聚类，使其本质上等同于最小偏置模糊聚类算法。最小偏置模糊聚类基于确定性退火，旨在在无偏质心的假设下，最小化每个聚类的熵，即质心相对于数据点聚类成员分布的熵。此外，还可以用一阶柯西型函数替代高斯势函数来实现减法聚类。

在一些研究中，通过使用梯度下降法调整原型以最大化势函数，对山聚类和减法聚类进行了改进。通过修改势函数，山聚类还可用于检测其他类型的聚类，如圆形壳。

2. 模糊聚类（Fuzzy Clustering）

模糊聚类是一类重要的聚类算法，有助于发现数据中自然的模糊边界。下面介绍几种常见的模糊聚类算法。

2.1 模糊 C - 均值聚类（Fuzzy C - Means Clustering，FCM）

C - means 算法中每个聚类的离散性导致其在分析和算法实现上存在困难。而以模糊方式划分数据集有助于克服这些困难。FCM 聚类（也称为模糊 ISODATA）将每个聚类视为一个模糊集，每个特征向量可以以一定的确定性程度（由取值在 [0, 1] 的隶属度函数衡量）分配给多个聚类。

FCM 优化的目标函数为：
[E = \sum_{j=1}^{K} \sum_{i=1}^{N} \mu_{ji}^{m} \left\lVert x_i - c_j \right\rVert^2]
其中，N 是输入模式集的大小，(U = [\mu_{ji}]) 表示隶属度矩阵，其