基于证据信息粒化的深度三支FCM聚类方法

摘要

深度聚类由于其在数据挖掘和计算机视觉领域中处理高维数据的显著效果，已经成为一种流行的无监督学习方法.高维空间中的数据更容易存在模糊性，然而深度聚类无法直接处理数据中的模糊性.在许多实际问题中，数据之间相似性和关联性通常更集中的表现在局部邻域内，但是传统的深度聚类方法忽略了数据之间的局部关系.为了解决上述问题，本文提出了一种基于证据信息粒化的深度三支FCM聚类方法.首先，本文提出一种新的对比深度FCM聚类网络框架，将数据从复杂的原始数据空间映射到合适的深度特征空间中.其次，基于三支决策的思想，将第一阶段的聚类结果划分为正域和边界域，以便处理数据中的不确定性.最后，引入半球邻域粒化方法，为不确定样本构造信息粒.基于此，本文利用证据理论对信息粒中的信任度进行融合，从而实现对不确定数据的再分配.本文所提方法更多地关注数据的局部结构，以准确地捕捉数据的内在特征.实验结果表明，本文所提出的方法有效地提升了聚类效果.

关键词

证据理论 / 三支决策 / 信息粒化 / FCM聚类 / 深度聚类 / 对比学习

基金资助

国家自然科学基金资助项目(62006128、U2433216、62066049); 国家重点研发计划资助项目(2024YFE0202700); 江苏高校‘青蓝工程’资助; 南京大学计算机软件新技术国家重点实验室资助项目(KFKT2024B30); 江苏省自然科学基金资助项目(BK20231337); 江苏省高等学校自然科学研究重大资助项目(21KJA510004); 江苏省研究生科研与实践创新计划资助项目(SJCX24＿2016、SJCX25＿2001); 南通市自然科学基金青年基金资助项目(JC2024044)