基于知识利用的迁移学习一般化增强模糊划分聚类算法

• 作者: 王士同 王骏 葛洪伟 蒋亦樟 邓赵红
• 来源期刊: 模式识别与人工智能
• 学科: 工学
• 关键词: 迁移学习 非充分数据集 模糊C均值( FCM) 一般化的增强模糊划分聚类算法( GIFP-FCM)
• 年，卷（期）: 2013,（10）
• 所属期刊栏目: 研究与应用
• 页码范围: 975-984
• 页数: 10页
• 分类号: TP181
• 字数: 9817字
• 语种: 中文

摘要

针对非充分数据集及噪声对聚类分析的干扰，基于模糊C均值( FCM)框架下的聚类技术，即一般化的增强模糊划分聚类算法( GIFP-FCM)，探讨具有迁移学习能力的聚类方法---融入迁移学习机制的GIFP-FCM算法( T-GIFP-FCM)。该算法通过有效利用历史相关场景(域)总结得到的知识来指导当前场景(域)中信息不足时的聚类任务，从而提高聚类效果。通过在模拟数据集及真实数据集上的仿真实验，结果显示文中算法较之传统算法在处理信息不足任务时具有更佳的性能。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王士同	江南大学数字媒体学院	528	3424	23.0	37.0
2	王骏	江南大学数字媒体学院	49	553	8.0	23.0
3	邓赵红	江南大学数字媒体学院	86	764	11.0	26.0
4	葛洪伟	江南大学数字媒体学院	86	456	11.0	17.0
5	蒋亦樟	江南大学数字媒体学院	50	216	8.0	11.0