[发明专利]信息反馈极限学习机优化估值的缺失数据模糊聚类算法及其应用

摘要

本发明涉及信息反馈极限学习机优化估值的缺失数据模糊聚类算法及其应用，基本步骤如下：1)采用互信息计算并选择相关度较高的数据属性，依据这些属性选择不完备数据中的完备数据作为FELM网络的训练样本；2)初始化FELM网络的输入权值ω以及偏置值b；3)根据最近邻规则对缺失属性进行预填充，并根据训练样本训练FELM网络得到的误差对预填充值进行调整直至找到合理的数值进行填补，进而得到恢复后的完整数据集；4)初始化模糊C均值算法的参数，聚类数目c，模糊系数m，阈值ε及隶属度划分矩阵U（0）；5)通过迭代优化模糊C均值算法的隶属度划分矩阵U和聚类中心V得到最终的聚类结果。运用本方法能够充分利用数据样本及属性之间的关联性和完整数据样本及不完备数据样本的分布信息来得到更加合理的属性估值，从而使不完备数据集的聚类结果更加准确。

主权项

信息反馈极限学习机优化估值的缺失数据模糊聚类算法，其特征在于，步骤如下：1)采用互信息计算并选择相关度较高的数据属性，依据这些属性选择不完备数据中的完备数据作为FELM网络的训练样本；其中，μX(x)表示变量X的边缘概率密度函数；μY(y)表示变量Y的边缘概率密度函数；μXY(x,y)表示变量之间联合概率密度函数；2)对FELM网络参数确定：初始化输入权值ω以及偏置值b；ω和b的初始化值设置在区间[‑1,1]之间，随机选取该区间的任意随机数对网络进行初始化，确定极限学习机的隐藏层节点数；3)根据最近邻规则对缺失属性进行预填充，并根据训练样本训练FELM网络得到的误差采用误差检索法对预填充值进行调整直至找到合理的数值进行填补，进而得到恢复后的完整数据集；4)初始化模糊C均值算法的参数，聚类数目c，模糊系数m，阈值ε及隶属度划分矩阵U(o)；5)利用模糊C均值对恢复后的完整数据集进行聚类，当迭代次数t＝l时，根据公式(2)和隶属度划分矩阵U(l‑1)计算聚类中心矩阵V(l)，根据公式(3) 和V(l)更新U(l)，对于给定的阈值ε，如果算法终止；否则，l＝l+1，继续迭代更新隶属度划分矩阵和聚类中心。。