[发明专利]一种基于量子遗传的模糊C均值聚类中心生成方法

说明书

模糊C均值聚类算法(FCM)是一种常用的无监督学习算法，常用于各类模糊问题的聚类分析中，由于某些问题具有模糊性和不确定性，因此通常使用模糊理论进行处理。本发明提出了一种基于量子遗传的模糊C均值聚类中心生成方法，结合了智能优化算法中的遗传算法和量子理论，通过量子种群的迭代寻优找到最优的初始聚类中心，避免了人为选取聚类中心的不确定性，提高了收敛效率及收敛精度。

技术领域

模糊C均值聚类算法(FCM)是一个经典的无监督学习算法，主要使用在各种模糊问题的聚类分析中，由于某些问题同时存在着糊性和不确定性，所以一般采用模糊理论进行处理。本发明提出了一个基于量子遗传的模糊C均值聚类中心生成方案，融合了智能优化计算中的遗传算法和量子理论，并利用对量子种群的迭代寻优得到了最佳的的初始聚类中心，从而减少了人为选取聚类中心的不确定性，大大提高了收敛效率及收敛准确度。

背景技术

模糊C均值聚类算法，是以模糊数学理论为依据的聚类方法，其通常用来描述具有不确定性的模糊问题，如人的性格特征、天气的冷热程度等。模糊理论引入了隶属度的概念，用来描述某个对象属于某个集合的程度或概率。模糊C均值聚类算法是一个软聚类工具，有着比K-means算法更灵活的特点。因为在多数情况下，问题空间内的对象无法明确地被分配到某一类中，因此要对每个对象计算出属于每个类的隶属程度。然而，同传统K-means算法一样，模糊C均值聚类算法受初始质心选取的影响非常大，容易陷入局部最优等缺陷。

量子遗传算法，是一个使用量子理论的遗传优化算法，在传统的遗传算法中，种群由染色体个体组成，经过选择、交叉、变异等遗传算子计算后更新种群，使种群得到进化，从而找到最优解。如在量子遗传算法中,将遗传算法的染色体用量子方式表达,而进化过程则是利用量子旋转门将量子态进行反转使之进化，因此，量子遗传算法具有量子计算的特征，有着良好的寻优性能。

针对模糊C均值聚类算法受原始聚类中心影响大的问题，以及量子遗传算法具有较优秀的全局寻优能力的优势，本发明提出了一个基于量子遗传的模糊C均值聚类中心生成方法，使量子遗传算法搜索到的最优解可以成为模糊C均值聚类算法的初始聚类中心，有效地提高了聚类算法的性能。

发明内容

本发明提出了一种基于量子遗传的模糊C均值聚类中心生成方法，能够通过量子遗传算法的全局优势搜索到最优的初始聚类中心，提高模糊C均值聚类算法的聚类效果。发明内容如下：

(1)使用模糊熵度量染色体的适应度：使用模糊熵作为模糊集模糊程度的度量，模糊熵由下式给出：

使用下式来评估第i个聚类的模糊程度：

在本发明中通过计算聚类的模糊度来获得每个常规染色体的适应度，结束迭代后选择最优的染色体作为聚类中心进行模糊C均值聚类；

(2)使用量子遗传算法生成初始聚类中心：首先初始化量子种群，量子种群中每个量子染色体的所有状态都有相同的概率被测量。测量完成后，创建常规染色体群体，并通过计算相应聚类的模糊度来获得每个常规染色体的适应度。然后，通过应用量子旋转门，量子种群沿着最优量子染色体的方向进化，直到达到停止标准。最后，以最佳常规染色体对应的聚类中心为初始聚类中心，进行模糊聚类，最终检测出模糊聚类。具体算法步骤如下：

本发明的优点在于：

本发明引入了模糊熵作为适应度函数，以最小化用于度量聚类模糊性的模糊熵函数；经过量子遗传算法生成的初始聚类中心具有最优的适应度，能够使FCM算法摆脱人为选取聚类中心的不稳定性，提高聚类的准确性。

附图说明

图1为FCM算法流程图

图2为基于量子遗传的FCM流程图

具体实施方式