基于局部和全局信息的改进聚类算法

• 作者: 梅向东 王士同 许小龙
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: K-means算法 谱聚类 离散度矩阵 特征分解 UCI数据集
• 年，卷（期）: 2015,（6）
• 所属期刊栏目: ?人工智能及识别技术?
• 页码范围: 165-171
• 页数: 7页
• 分类号: TP181
• 字数: 6807字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-3428.2015.06.030

摘要

传统K-means算法在随机选取初始聚类中心时，容易导致结果不稳定，谱聚类算法直接在相似矩阵上进行分割，对结果的准确性影响较大，而局部和全局正则化聚类算法未考虑数据空间分布对结果的影响。为此，引入离散度矩阵对局部和全局正则化聚类算法进行改进。改进算法考虑数据的分布信息，通过在局部信息目标函数中引入离散度矩阵，结合全局信息的目标函数，将目标函数最小化问题转换为分解稀疏矩阵特征的问题。在UCI机器学习数据集和公共数据挖掘数据集上的实验结果表明，与K-means及标准谱聚类算法相比，该算法的预测精度更高。

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	许小龙	江南大学数字媒体学院	5	4	1.0	1.0
3	梅向东		8	24	3.0	4.0