密度驱动的时间序列模糊聚类OA

针对传统模糊聚类算法在处理复杂时间序列时存在的聚类准确性欠佳、对初始簇中心敏感以及对噪声敏感等问题,提出了一种密度驱动的时间序列模糊聚类算法。该算法提出密度依赖的簇中心初始化策略,以降低算法对初始簇中心的敏感性;同时定义密度引导的加权欧氏距离,增强算法对噪声的鲁棒性;并且通过构建密度约束的迭代优化机制,加速聚类收敛。为验证该算法性能,将其与10种代表性的聚类算法在UCR时间序列数据库中的8个数据集上进行比较。结果表明,该算法的聚类精度优于对比算法,并且展现出较强的收敛性和良好的时间效率。此外,该算法的在面对三种不同类型的噪声时,表现出较高的鲁棒性。实验结果证明,密度驱动时间序列模糊聚类算法是一种精确且高效的算法。