自適應的軟子空間聚類演算法
陳黎飛郭躬德
姜青山【期刊名稱】
《軟體學報》【年卷
期】2010(021)010
【摘要】
軟子空間聚類是高維資料分析的一種重要手段
現有演算法通常需要使用者
事先設定一些全域性的關鍵引數
且沒有考慮子空間的優化
提出了乙個新的軟子空
間聚類優化目標函式
在最小化子空間簇類的簇內緊湊度的同時
最大化每個簇類
所在的投影子空間
通過推導得到一種新的區域性特徵加權方式
以此為基礎提出一
種自適應的
k-means
型軟子空間聚類演算法
該演算法在聚類過程中根據資料集及
其劃分的資訊
動態地計算最優的演算法引數
在實際應用和合成資料集上的實驗結
果表明該演算法大幅度提高了聚類精度和聚類結果的穩定性
【總頁數】
頁(2513-2523)
聚類高維資料
子空間特徵加權
自適應性
【作者】
陳黎飛郭躬德
姜青山【作者單位】
福建師範大學
數學與電腦科學學院
福建福州
,350108;
福建師範大學
數學與電腦科學學院
福建福州
,350108;
廈門大學
軟體學院福建廈
門,361005
【正文語種】
中文【中圖分類】
tp311
【相關文獻】
1.基於簇間距離自適應的軟子空間聚類演算法
[j],
邱雲飛狄龍娟
2.改進的最小生成樹自適應空間點聚類演算法
[j],
顏金彪鄭文武
段曉旗鄧運
高維資料軟子空間聚類FSC
一 針對問題 高位資料聚類存在兩個問題 高緯資料在距離計算上，任意兩點的距離都可能極為相近，導致難以將相似點和不相似點區分出來 高緯資料集的簇可能存在於不同的維度集合裡。二 文章的靈感 子空間聚類的推進 維數約減和特徵選擇背後的思路是 裁剪掉不重要的維度，實現從高維向低維空間的改變，以利於往後的聚類...
稀疏子空間聚類
解讀文獻 sparse subspace clustering cvpr09 現有的子空間聚類方法，可分為六大類 本人感覺大都很陌生，迭代的 k subspaces,fitting a subspace to each cluster.統計的 mixtures of probabilistic pc...
子空間聚類演算法之PROCLUS
proclus是基於投影的子空間聚類演算法，搜尋策略為自頂向下。演算法基於中心點思想，適合球形簇資料集，採用曼哈頓距離度量物件的相似性。演算法一共分為以下三個階段 初始階段，選擇中心點超集 迭代階段，確定每乙個中心點的特徵維度，通過對聚類結果進行分析，並不斷迭代替換差的中心點，得到最優中心點集 優化...