《表4 3种聚类算法在数据集上的统计结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于改进蝙蝠优化自确定的模糊C-均值聚类算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

由图2聚类图谱可以看出，本文算法、DEABC-FCM及ACO-FCM都能将在Aggregation、R15、D31等3类数据集上将原始数据聚类成型，聚类结果较为准确，但DEABC-FCM及ACO-FCM在处理多类别数据集时聚类边界数据的归类处理上不够精确，比如图2（c）中D31数据集三角标记区域等，而本文算法计算数据集的密度程度，不仅实现了自动选取聚类中心和聚类数目，还利用蝙蝠算法的多次优化得到了更好的分类效果。为了直观地对比3种聚类算法的聚类效果，将3种聚类算法分别运行100次，统计3种算法实现聚类的平均迭代次数、平均使用时间以及平均差错率，详细情况如表4所示。