信念熵证据C均值

聚类更稳

在证据聚类中引入信念熵最大熵框架，显式建模多类不确定性，显著提升对初始化的鲁棒性并避免局部最优。

Deng, Jixiang · 周国辉 · 邓勇 · Kang Hao, Cheong

Pattern Recognition 2025

技术优势

初始鲁棒

负信念熵项在聚类初期占主导，对未知数据分布给出无偏估计，削弱不良初始化原型的影响，降低陷入局部最优的风险。

多类建模

与仅支持模糊划分的最大熵方法不同，BE-ECM 结合信念熵构建信度划分，能显式表达多类不确定性，扩展了最大熵原理在证据聚类中的应用。

效果更稳

对比实验表明，BE-ECM 在聚类任务上相较现有算法具有更优的性能和更高的稳定性。

应用场景

• 无监督学习：用于无标签数据划分，输出带多类不确定性的信度分区。
• 模糊聚类：比传统模糊聚类增加信度划分，可替代 FCM 类算法的初始化敏感方案。
• 证据推理：将信念熵纳入目标函数，为证据理论框架提供稳定的聚类算法。
• 模式识别：可用于模式识别中的聚类步骤，提供不确定性建模和鲁棒初始化。