基于模糊C-均值聚类的自适应组合代理模型建模方法

本发明公开了一种基于模糊C‑均值聚类的自适应组合代理模型建模方法，借用模糊C‑均值聚类的思想，通过将原始训练点数据分块处理的方式，为各组分模型分配最符合其特性的训练点来构建单一代理模型，具体是通过对代理模型库中的单一代理模型进行两次模型筛选来保证分块数据与组分模型的匹配性，最后选择组分模型与基模型之间的欧几里得距离作为权重系数分配的依据，输出最终模型。本发明提升了构建模型库时各组分模型的精度，能更好地应对复杂训练点集，且减少了计算量，同时根据区域分配基函数，使得计算出的各组分模型自适应权重系数更合理。因此，本发明在有效提升建模效率的同时，能够保证模型的整体精度和局部精度，降低计算成本。