基于有效距离的谱聚类算法

• 作者: 光俊叶 刘明霞 张道强
• 来源期刊: 计算机科学与探索
• 学科: 工学
• 关键词: 谱聚类 有效距离 距离度量
• 年，卷（期）: 2014,（11）
• 所属期刊栏目: 人工智能与模式识别
• 页码范围: 1365-1372
• 页数: 8页
• 分类号: TP181
• 字数: 5383字
• 语种: 中文
• DOI: 10.3778/j.issn.1673-9418.1405038

摘要

在现有多种距离度量和传统谱聚类算法的基础上，提出了一种新的基于有效距离的谱聚类算法（spec-tral clustering based on effective distance，SCED）。SCED算法通过稀疏重构系数来构建样本与样本之间的有效距离，从而代替传统谱聚类算法中的欧氏距离，进行样本之间的相似度评估。与传统距离度量相比，有效距离不仅利用了样本对之间的距离信息，同时考虑了目标样本与其他所有相关样本之间的距离信息，因而该距离度量具有全局特性。在UCI标准数据集上的实验结果表明，SCED算法能有效提高聚类效果。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张道强	南京航空航天大学计算机科学与技术学院	51	491	11.0	20.0
2	刘明霞	南京航空航天大学计算机科学与技术学院	15	101	7.0	9.0
4	光俊叶	南京航空航天大学计算机科学与技术学院	3	25	3.0	3.0