论文部分内容阅读
提出了一种以迭代增强和空间划分为基础的模糊C均值聚类方法,利用弱学习理论在每次迭代之后将产生的训练集合重新归并,在原有划分集的基础上通过分布质量权重选举方法更新产生最优假设划分集,克服了传统的简单重复训练方法的聚类效果不理想的缺点。通过形状分类实验和聚类量化指标对比,证明了该方法具有分类质量高、形状分割彻底的优点。