鲁棒的交叉熵模糊聚类算法

针对模糊C-均值聚类（FCM）算法对噪声敏感、容易收敛到局部极小值的问题，提出一种基于交叉熵的模糊聚类算法。通过引入交叉熵重新定义了传统FCM算法的目标函数，利用交叉熵度量样本隶属度之间的差异性，并采用拉格朗日求解方法和朗伯W函数解决了目标函数的优化问题，此外，分析了样本划分矩阵的分布情况，依据分布特性对噪声样本进行识别。人工数据集合和标准数据集加噪的实验结果表明，该算法提高了传统FCM算法的抗干扰能力，具有更强的鲁棒性，噪声样本识别的准确率较高。