---

核心思想

这篇论文的核心思想是提出一种全新的、数据驱动的自主模糊聚类（Autonomous Fuzzy Clustering, AFC）算法。其核心创新在于，它巧妙地结合了模糊聚类的灵活性和基于中位数（medoids）聚类的可解释性，并通过一个自适应的高斯核来控制模糊程度，从而实现了两大目标：

1. 自主确定聚类数量（C）：无需用户预先指定聚类数，算法能根据数据的内在结构（局部模式）自动推断出最优的聚类数量。
2. 获得高质量的初始划分：避免了传统模糊C均值（FCM）等算法因随机初始化而陷入局部次优解的问题，提供了一个稳健且高质量的初始聚类中心集。

该算法通过一个巧妙的“微聚类”（microcluster）机制，将所有数据点视为一个微聚类，利用高斯核计算它们之间的相互隶属度，然后通过计算每个数据点的“累积隶属度”（cumulative membership）并寻找其局部最大值，来一次性地、自主地选出初始的聚类中位数。

---

目标函数

AFC算法的目标函数是整个优化过程的基石，它定义了算法需要最小化的准则。

其目标函数如下：

$$J(U,P)=\sum _{k=1}^K\sum _{i=1}^C{\bar{\mu }}_{i,k}\Vert x_k-p_i{\Vert }^2$$

其中：

• $J(U,P)$ 是需要最小化的目标函数值。
• $U=[{\bar{\mu }}_{i,k}{]}_{i=1:C,k=1:K}$ 是模糊隶属度矩阵。${\bar{\mu }}_{i,k}$ 表示数据样本 $x_k$ 属于由中位数 $p_i$ 代表的第 $i$ 个聚类的归一化隶属度。
• $P=[p_i{]}_{i=1:C}$ 是中位数矩阵。$p_i$ 是第 $i$ 个聚类的中位数，它必须是数据集中的一个实际存在的样本点。
• $K$ 是数据集中的总样本数。
• $C$ 是聚类的数量（在算法开始时是未知的）。
• $\Vert x_k-p_i{\Vert }^2$ 是数据样本 $x_k$ 与聚类中位数 $p_i$ 之间的欧几里得距离的平方。

这个目标函数可以理解为加权的平方误差和。算法的目标是找到一组中位数 $P$ 和对应的隶属度 $U$，使得所有样本到其所属聚类中心的加权距离平方和最小。

---

目标函数的优化过程

AFC算法对目标函数的优化过程分为两个主要阶段：

第一阶段：自主初始化 (核心创新)

这一阶段不直接优化上述目标函数，而是为第二阶段提供一个极佳的起点。其核心思想是：

1. 计算自适应核宽 ${\sigma }_G$：根据所有数据点间的相互距离和用户设定的“粒度级别”$G$，通过公式(5)计算出一个全局的高斯核宽度 ${\sigma }_G$。这个 ${\sigma }_G$ 控制了“影响范围”，是算法数据驱动特性的体现。
2. 构建微聚类隶属度矩阵 $U_{micro}$：将每个数据点 $x_k$ 都视为一个微聚类的中位数，利用高斯函数计算它对所有其他数据点 $x_j$ 的隶属度：
   $$\mu (x_k,x_j,{\sigma }_G)=e^{-\Vert x_k-x_j{\Vert }^2/{\sigma }_G^2}$$
   然后进行归一化，得到微聚类隶属度矩阵 $U_{micro}$。
3. 计算累积隶属度 $\lambda (x_k)$：对于每个数据点 $x_k$，计算它作为微聚类中位数时，对所有 $K$ 个样本（包括自己）的隶属度之和：
   $$\lambda (x_k)=\sum _{j=1}^K{\bar{\mu }}_{k,j}^{\prime }$$
   这个 $\lambda (x_k)$ 可以看作是该点作为“局部模式代表”的综合吸引力或代表性强度。
4. 自主选择初始中位数 $P^0$：找出所有满足 条件1 的数据点：
   如果 λ(xk)>max⁡∥xk−xj∥≤σG;k≠j(λ(xj)), 则 xk∈{p}C0\text{如果 } \lambda(x_k) > \max_{\|x_k - x_j\| \leq \sigma_G; k \neq j} (\lambda(x_j)) \text{, 则 } x_k \in \{p\}_C^0如果 λ(xk​)>∥xk​−xj​∥≤σG​;k=jmax​(λ(xj​)), 则 xk​∈{p}C0​
   这意味着，$x_k$ 的累积隶属度在其以 ${\sigma }_G$ 为半径的邻域内是最大的。这些点就是局部模式的峰值，被选为初始聚类中位数 $P^0$。此时，聚类数 $C$ 也就被自主确定了。

第二阶段：迭代优化

在获得高质量的初始中位数 $P^0$ 后，算法进入标准的交替优化过程，以最小化目标函数 $J(U,P)$。

1. 更新中位数 $P^t$ (固定 $U^{t-1}$)：对于每个聚类 $i$，在所有数据样本中寻找一个新的中位数 $p_i^t$，使得该聚类内所有样本的加权距离平方和最小：
   pit=arg⁡min⁡z∈{x}(∑k=1Kμˉi,kt−1∥xk−z∥2)p_i^t = \arg \min_{z \in \{x\}} \left( \sum_{k=1}^{K} \bar{\mu}^{t-1}_{i,k} \|x_k - z\|^2 \right)pit​=argz∈{x}min​(k=1∑K​μˉ​i,kt−1​∥xk​−z∥2)
   由于中位数必须是实际数据点，因此这是一个在有限集合 {x}\{x\}{x} 上的搜索问题。
2. 更新隶属度 $U^t$ (固定 $P^t$)：根据新的中位数位置 $P^t$，重新计算所有样本的归一化隶属度：
   $${\bar{\mu }}_{i,k}^t=\frac{\mu (p_i^t,x_k,{\sigma }_G)}{{\sum }_{j=1}^C\mu (p_j^t,x_k,{\sigma }_G)}$$
   这里使用的仍然是第一阶段计算出的、固定的 ${\sigma }_G$。
3. 收敛判断：重复步骤1和2，计算新的目标函数值 $J(U^t,P^t)$。当目标函数值的变化小于预设阈值，或达到最大迭代次数时，停止迭代。

---

主要贡献点

1. 数据驱动的自主聚类：这是最核心的贡献。算法通过“累积隶属度”和局部最大值搜索，完全自主地确定了聚类数量 $C$，无需任何复杂的迭代搜索或外部参数调整，解决了FCM等算法的一大痛点。
2. 稳健的高质量初始化：提出的初始化方法基于数据的全局结构，避免了随机初始化的不稳定性，为后续优化提供了极佳的起点，提高了算法的鲁棒性和收敛速度。
3. 可解释的聚类中心：采用中位数（实际数据点）而非均值（虚拟点）作为聚类中心，使得聚类结果更具可解释性，尤其适用于需要理解“典型样本”是什么的应用场景。
4. 数据驱动的模糊度控制：用一个从数据中自适应计算的高斯核宽度 ${\sigma }_G$ 来控制模糊度，取代了传统FCM中需要手动设定的模糊加权指数 $m$，使算法更加自主。
5. 高效的流式数据扩展：提出了一种“逐块”（chunk-by-chunk）的流式数据聚类机制。它能高效地处理数据流，通过融合新旧聚类中心并移除冗余，实现了对概念漂移和概念突变的自适应。
6. 计算效率：对于静态数据，其时间复杂度为 $O(K^2+HCK)$，其中 $K^2$ 项来自初始化，$HCK$ 项来自迭代优化，整体效率较高。

---

实验结果

论文在16个基准数据集（包括合成数据、真实世界数据和图像数据）上进行了大量实验，结果证明了AFC算法的有效性。

1. 静态数据聚类：在6个合成数据集和8个真实世界数据集上，AFC算法（$G=4$）在总体排名（Table V）上优于12种最先进的对比算法（如FCM, K-means, DBSCAN, AP等）。它在Calinski Harabasz指数（CHI）、Davies-Bouldin指数（DBI）和轮廓系数（SC）等质量指标上表现最佳，表明其聚类结果紧凑且分离度好。
2. 流式数据聚类：在8个真实世界数据集上，AFC算法与5种在线聚类算法（如EC, OKM）相比，同样取得了优异的性能（Table VI），在CHI和SC等指标上排名第一或前三，证明了其在处理数据流时的有效性。
3. 大规模高维数据：在MNIST和FMNIST两个大规模高维数据集上，AFC算法的计算效率远高于对比算法（ADP），同时聚类质量（CHI）也显著更好。
4. 参数 $G$ 的影响：实验表明，粒度级别 $G$ 控制着聚类的精细程度。较小的 $G$（如1,2）导致粗粒度、少聚类；较大的 $G$（如5,6）导致细粒度、多聚类。推荐值 $G=4$ 或 $5$ 能在多数情况下取得良好平衡。

---

算法实现过程详解

以下是AFC算法（静态数据）的详细实现步骤，对应论文中的 Algorithm 1：

1. 输入：静态数据集 {x}={x1,x2,...,xK}\{x\} = \{x_1, x_2, ..., x_K\}{x}={x1​,x2​,...,xK​} 和粒度级别 $G$。
2. 计算自适应核宽 ${\sigma }_G$：
   • 根据公式(5)，利用所有数据点对之间的距离和用户设定的 $G$，计算出 ${\sigma }_G^2$。这个值在整个算法过程中保持不变。
3. 构建微聚类隶属度矩阵 $U_{micro}$：
   • 对于每个数据点 $x_k$（作为微聚类中位数），计算它对所有 $K$ 个数据点 $x_j$ 的高斯隶属度 $\mu (x_k,x_j,{\sigma }_G)$。
   • 对每个 $x_j$，将其对所有微聚类的隶属度进行归一化，得到 ${\bar{\mu }}_{k,j}^{\prime }$。最终形成一个 $K\times K$ 的矩阵 $U_{micro}$。
4. 计算累积隶属度 $\lambda (x_k)$：
   • 对 $U_{micro}$ 的每一行（对应一个微聚类中位数 $x_k$）求和，得到该点的累积隶属度 $\lambda (x_k)$。
5. 自主选择初始中位数 $P^0$：
   • 遍历所有数据点 $x_k$，检查其是否满足条件1：即在以 ${\sigma }_G$ 为半径的邻域内，其 $\lambda (x_k)$ 是否是最大的。
   • 将所有满足条件的 $x_k$ 收集起来，构成初始聚类中位数集合 P0={p10,p20,...,pC0}P^0 = \{p^0_1, p^0_2, ..., p^0_C\}P0={p10​,p20​,...,pC0​}。此时，聚类数 $C$ 被确定。
6. 初始化隶属度矩阵 $U^0$：
   • 使用初始中位数 $P^0$ 和固定的 ${\sigma }_G$，根据公式(3)计算所有样本的归一化隶属度，得到 $U^0$。
7. 迭代优化：
   • 初始化：$t=1$，计算初始目标函数值 $J(U^0,P^0)$。
   • 循环：
     • 步骤1 (更新 $P^t$)：对每个聚类 $i$，根据公式(9)，在原始数据集 {x}\{x\}{x} 中搜索一个新的中位数 $p_i^t$，使得该聚类的加权距离平方和最小。
     • 步骤1 (更新 $U^t$)：根据新的中位数 $P^t$，根据公式(10)重新计算所有样本的归一化隶属度 $U^t$。
     • 步骤2 (收敛判断)：计算新的目标函数值 $J(U^t,P^t)$。如果 $J$ 的变化足够小（收敛），则跳出循环；否则，令 $t=t+1$，返回步骤1。
8. 输出：最终的聚类中位数矩阵 $P$ 和隶属度矩阵 $U$。

综上所述，这篇论文提出了一种思想新颖、实现巧妙的自主模糊聚类算法。它通过“累积隶属度”这一核心概念，成功地将模糊聚类的优势与自主性、可解释性相结合，为解决聚类分析中的核心难题提供了新的思路。

问题分析

公式 (5) 是论文中用于计算自适应核宽度 ${\sigma }_G^2$ 的核心公式，它是 AFC 算法中的一个关键步骤。该公式通过数据点之间的相互距离和用户设定的“粒度级别” $G$ 来计算高斯核的宽度，从而控制隶属度函数的模糊程度。以下是对其数学原理的详细分析：

---

公式回顾

公式 (5) 表达如下：

$${\sigma }_g^2=\frac{1}{{\sum }_{i=1}^{K-1}{\sum }_{j=i+1}^K{w}_{g,i,j}}\sum _{i=1}^{K-1}\sum _{j=i+1}^K{w}_{g,i,j}\Vert x_i-x_j{\Vert }^2$$

其中：

• $g=1,2,\dots ,G$：表示粒度级别的索引，$G$ 是用户选择的非负整数。
• $w_{g,i,j}$ 是一个权重函数，定义为：
  $$w_{g,i,j}=\{\begin{array}{ll}1,& \text{如果 }\Vert x_i-x_j\Vert \le {\sigma }_{g-1},\\ 0,& \text{否则}.\end{array}$$
• ${\sigma }_0^2=\frac{2}{K(K-1)}{\sum }_{i=1}^{K-1}{\sum }_{j=i+1}^K\Vert x_i-x_j{\Vert }^2$：这是初始核宽度的计算公式。

---

数学原理分析

1. ${\sigma }_0^2$ 的计算

• ${\sigma }_0^2$ 是所有数据点对之间欧几里得距离平方的平均值，乘以一个常数因子 $\frac{2}{K(K-1)}$。
• 它的作用是提供一个全局尺度，衡量数据集的整体分布范围。具体来说：
  $${\sigma }_0^2=\frac{2}{K(K-1)}\sum _{i=1}^{K-1}\sum _{j=i+1}^K\Vert x_i-x_j{\Vert }^2$$
  这里的分母 $K(K-1)$ 是所有可能的数据点对的数量（无序对），因此 ${\sigma }_0^2$ 可以看作是对数据点间平均距离平方的一种归一化估计。
• ${\sigma }_0^2$ 是整个算法的起点，后续的 ${\sigma }_g^2$ 都是基于它递归计算的。

2. 递归计算 ${\sigma }_g^2$

• 对于 $g>0$，${\sigma }_g^2$ 的计算依赖于前一步的 ${\sigma }_{g-1}^2$。具体来说，公式 (5) 中的 $w_{g,i,j}$ 使用了 ${\sigma }_{g-1}$ 作为阈值，来决定是否将数据点对 $(x_i,x_j)$ 的距离平方纳入加权平均的计算。
• $w_{g,i,j}$ 的作用是：
  • 如果两个数据点 $x_i$ 和 $x_j$ 的距离小于或等于 ${\sigma }_{g-1}$，则认为它们在当前粒度级别 $g$ 下是“邻近”的，权重为 1。
  • 否则，权重为 0，表示这两个点在当前粒度级别下不相关。
• 因此，${\sigma }_g^2$ 的计算可以理解为：
  $${\sigma }_g^2=\frac{\text{邻近点对的距离平方之和}}{\text{邻近点对的数量}}$$
  其中，“邻近点对”是指满足 $\Vert x_i-x_j\Vert \le {\sigma }_{g-1}$ 的点对。

3. 自适应性与粒度控制

• 通过递归地计算 ${\sigma }_g^2$，算法能够根据数据的局部结构动态调整核宽度。具体来说：
  • 当 $g=1$ 时，${\sigma }_1^2$ 基于 ${\sigma }_0^2$ 计算，此时的邻近关系较为宽松，因为 ${\sigma }_0^2$ 是全局尺度。
  • 随着 $g$ 的增加，${\sigma }_{g-1}$ 逐渐减小，邻近点对的定义变得越来越严格，这使得 ${\sigma }_g^2$ 能够捕捉到更精细的局部模式。
• 用户可以通过选择不同的 $G$ 来控制聚类结果的精细程度：
  • 较小的 $G$ 导致较大的 ${\sigma }_g^2$，聚类结果较粗略。
  • 较大的 $G$ 导致较小的 ${\sigma }_g^2$，聚类结果更精细。

4. 高斯核宽度的意义

• 在 AFC 算法中，高斯核宽度 ${\sigma }_G^2$ 最终用于计算隶属度函数：
  $$\mu (p_i,x_k,{\sigma }_G)=e^{-\frac{\Vert p_i-x_k{\Vert }^2}{{\sigma }_G^2}}$$
  其中，$p_i$ 是聚类中心（中位数），$x_k$ 是数据点。
• ${\sigma }_G^2$ 控制了隶属度函数的“影响范围”。较大的 ${\sigma }_G^2$ 表示每个聚类中心的影响范围较大，数据点更容易被分配到多个聚类；较小的 ${\sigma }_G^2$ 则表示影响范围较小，聚类结果更加明确。
• 通过从数据中自适应地计算 ${\sigma }_G^2$，AFC 算法避免了手动调参的困难，同时能够更好地适应数据的内在结构。

5. 递归过程的稳定性

• 由于 ${\sigma }_g^2$ 是基于前一步的 ${\sigma }_{g-1}^2$ 计算的，这种递归方式确保了计算的稳定性和一致性。
• 每一步的 ${\sigma }_g^2$ 都是从数据中提取的统计量，而不是人为设定的参数，因此具有很强的数据驱动特性。

---

总结

公式 (5) 的数学原理在于通过递归的方式，利用数据点之间的距离信息和用户设定的粒度级别 $G$，自适应地计算出适合当前数据分布的高斯核宽度 ${\sigma }_G^2$。这一过程的核心思想是：

1. 全局到局部的过渡：从全局尺度 ${\sigma }_0^2$ 开始，逐步细化到更局部的结构。
2. 数据驱动的自适应性：通过递归计算，算法能够自动调整核宽度，无需人工干预。
3. 粒度控制：用户可以通过调整 $G$ 来控制聚类结果的精细程度，从而灵活应对不同复杂度的数据分布。

这种设计不仅提高了算法的鲁棒性和通用性，还使得 AFC 算法能够在多种场景下（静态数据和流式数据）表现出优异的性能。