构建虚拟空间以提升模糊聚类的分类性能

基于摘要分析。本文研究如何通过改变数据表示空间，提升模糊聚类所产生的分类性能，提出一种基于虚拟空间的模糊聚类算法。核心贡献是重塑原始数据的相似度，再结合关系矩阵导出虚拟空间，使聚类结构更易识别。 方法首先采用分段线性变换修改原始相似度矩阵，构建 virtual similarity matrix（VSM）：将高于分界值 α 的相似度进一步提高，将低于 α 的相似度进一步降低，从而放大相似与不相似样本之间的差异。摘要还指出，原空间中相似度超过某一阈值的样本在虚拟空间中会显著重叠，即具有完全相同的属性，因此可视作一个样本。随后，算法构建原始数据集与所确定相似度值之间的关系矩阵，并给出该矩阵构建问题的两种闭式解；虚拟空间由修改后的相似度矩阵与关系矩阵共同导出。具体相似度定义、变换公式及闭式解条件尚未验证。 作者报告，实验结果与方法的概念依据一致，分类性能相较 FCM 和 kernel-based fuzzy C-means 显著改善。摘要未提供数据集、划分协议、分类评价指标或改善幅度，因此不能判断效果规模与适用范围；分类标签如何用于评价或模型选择，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能对应 EEG 特征空间中类内离散、类间相似的聚类瓶颈，但其依赖原始相似度能够反映任务结构。可复用模块是相似度重塑与虚拟空间构造，需针对 EEG 特征、通道差异和被试差异改造相似度与阈值选择。低信噪比或小数据条件下，错误的高相似度可能被放大，样本合并也可能抹去有用差异。一个可检验的小实验是在固定的运动想象 EEG 特征和被试内划分下，对比原始 FCM、kernel-based fuzzy C-means 与虚拟空间方法，限定在训练数据上选择阈值并核对测试数据映射，观察分类指标及阈值敏感性。已有 EEG 相关工作尚未检索确认。