结合模糊熵指标的模糊聚类最优聚类数估计

在没有足够的先验知识的情况下，最优聚类数的识别对于无监督聚类是一个困难的问题。 由于模糊熵对于测量模糊集的信息是必不可少的，因此开发了一种组合模糊熵指数（CFE）来搜索最佳簇数kb。 CFE涉及数据空间和成员空间中群集的紧凑性和分离性。 通过隶属子集对的对称模糊交叉熵与簇的模糊熵的平均值之比来评估模糊隶属集的划分。 对于特定数据集，最合适的群集数目由CFE索引的最大值确定。 为了验证CFE在kb搜索中的有效性，在Fuzzy.c-means聚类中使用了六个人工数据集和八个真实数据集。 结果表明，CFE指数在估计聚类的最佳分区方面具有优于PC，PE，MPC，XB，FS，Kwon，FHV和PBMF的性能，特别是对于高维数据集。 此外，CFE.index可以正确地找到具有重叠簇，子簇，多簇或各种密度簇的数据集的kb。