论文部分内容阅读
针对浮动质心法（FCM）在实现过程采用的K-means算法不易发现任意形状簇及对离群点敏感等缺陷，提出使用具有噪声的基于密度的聚类算法（DBSCAN）改进FCM神经网络分类器的方法．DBSCAN将离群点看作无法处理的点，并能发现任意形状的簇，将分区空间中的染色点划分成若干个更准确的分区．此外，定义优化目标函数，并用粒子群优化算法优化神经网络的各个参数，获得最优的分类模型．在UCI数据库上的对比实验表明，改进后的FCM方法在分类精度、鲁棒性和运行时间方面均优于原有FCM．