有效距离在聚类算法中的应用

• 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: 聚类 距离度量 度量学习 有效距离
• 年，卷（期）: 2017,（3）
• 所属期刊栏目: 人工智能与模式识别
• 页码范围: 406-413
• 页数: 8页
• 分类号: TP181
• 字数: 5829字
• 语种: 中文
• DOI: 10.3778/j.issn.1673-9418.1603046

摘要

聚类分析是数据挖掘领域的重要组成部分之一,而度量学习是聚类分析中的关键性步骤.传统聚类算法中通常使用欧氏距离进行距离度量,但是欧氏距离只关注两两样本之间的距离关系,并没有顾及数据的全局性分布结构.考虑到数据的全局性结构信息,提出了一种新的具有全局性的度量方法——有效距离度量(effective distance metric),其主要思想是通过稀疏重构的方法计算数据样本之间的有效距离.进一步地,将有效距离应用到K-means、K-medoids和FCM(fuzzy C-means)3种经典聚类算法中开发了3种基于有效距离的聚类算法,即EK-means,EK-medoids和EFCM聚类算法.通过与传统聚类算法在UCI标准数据集上的实验结果进行比较,验证了基于有效距离的聚类算法能显著提高聚类效果.

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