基于惩罚因子的样本隶属度改进算法

　　针对传统模糊C均值（FCM）算法在聚类过程中存在收敛速度慢、对大数据处理实时性不强等问题，提出了一种基于惩罚因子的样本隶属度改进算法。首先分析抑制式模糊C均值（ SFCM）聚类特点，研究惩罚因子对样本隶属度修正的触发条件，进而设计出基于惩罚因子的SFCM聚类隶属度动态修正算法。通过算法实现样本向“两极移动”，达到快速收敛之目的。理论分析与实验结果表明，在相同的初始化条件下，改进算法的执行时间效率比传统FCM算法提高约40%，比基于优化选择的SFCM（ OS-SFCM）算法提高l0%，其聚类准确度与其他两种算法相比也有一定的提高。