基于混合距离学习的鲁棒的模糊 C 均值聚类算法

距离度量对模糊聚类算法FCM的聚类结果有关键性的影响。实际应用中存在这样一种场景，聚类的数据集中存在着一定量的带标签的成对约束集合的辅助信息。为了充分利用这些辅助信息，首先提出了一种基于混合距离学习方法，它能利用这样的辅助信息来学习出数据集合的距离度量公式。然后，提出了一种基于混合距离学习的鲁棒的模糊C均值聚类算法（HR-FCM算法），它是一种半监督的聚类算法。算法HR-FCM既保留了GIFP-FCM（Generalized FCM algorithm with improved fuzzy partitions）算法的鲁棒性等性能，也因为所采用更为合适的距离度量而具有更好的聚类性能。实验结果证明了所提算法的有效性。