Resumen

Para organizar la gran variedad de conjuntos de datos de forma automática y obtener una clasificación precisa, este artículo presenta un algoritmo de c-means difuso modificado (SP-FCM) basado en la optimización de enjambre de partículas (PSO) y conjuntos sombreados para realizar la agrupación de características. SP-FCM introduce la propiedad de búsqueda global de PSO para tratar el problema de la convergencia prematura del clustering difuso convencional, utiliza la propiedad de equilibrio de vaguedad de los conjuntos sombreados para manejar el solapamiento entre clusters, y modela la incertidumbre en los límites de las clases. Este nuevo método utiliza el índice de Xie-Beni como validez de los clusters y encuentra automáticamente el número óptimo de clusters dentro de un rango específico con particiones de clusters que proporcionan clusters compactos y bien separados. Los experimentos demuestran que el método propuesto mejora significativamente el efecto de agrupación.

• Materias:Algoritmos (Matemáticas) Ingeniería del transporte Neurociencias Seguridad del transporte Ingeniería ferroviaria
• Subjects:Agorithms (Math) Transport engineering Neurosciences Transport safety Railway engineering
• Palabras claves:conjunto sombreado, clustering difuso convencional, número óptimo de cluster, propiedad de búsqueda global, propiedad de pso, variedad de datos, propiedad de equilibrio de vaguedad, nuevos métodos, índice beni, partición de cluster
• Keywords:shadowed set, conventional fuzzy clustering, optimal cluster number, global search property, property of pso, variety of data, vagueness balance property, new methods, beni index, cluster partition