.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
在嘈杂和复杂环境中的聚类仍然具有挑战性。传统的距离度量方法往往失效，因为它们对噪声、特征尺度和非线性结构敏感。本文提出了一种基于多粒度差异关系和模糊集理论的鲁棒聚类方法，称为CMGS。该方法避免了传统的度量距离。它通过属性间的差异来刻画对象相似性，创建了一个更细粒度、抗噪声的数据关系表示。模糊集理论对这种差异中的不确定性进行建模。通过梯度下降学习自适应阈值，抑制噪声并缓解属性间的尺度效应。整合单属性和全局差异粒度，创造了一种新颖的聚类相似性和距离度量。在真实世界和合成数据集上的广泛实验验证了该方法。CMGS在准确性、稳定性和鲁棒性方面始终优于经典和最新的聚类方法。它在高维、不平衡和嘈杂的场景中表现出特别有效。该框架为不确定条件下的鲁棒聚类提供了一种规范且有效的方法。
Keyword:
Clustering
Shadow Set Theory
Multi-Granularity
Difference Relations
Noisy Data
