中心约束的跨源学习可能性C均值聚类算法

• 作者: 刘渊 夏洋洋 黄亚东
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 迁移学习 类中心约束 可能性C均值算法
• 年，卷（期）: 2018,（5）
• 所属期刊栏目: 理论与研发
• 页码范围: 72-78
• 页数: 7页
• 分类号: TP311.1
• 字数: 6842字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.1610-0055

摘要

可能性C均值聚类算法(Possibilistic C-Means,PCM)相比于模糊C均值聚类算法(Fuzzy C-Means,FCM),能更好地处理含有噪音和例外点的数据,但在处理数据粘性较强的数据集时,PCM算法的聚类中心趋于一致,从而导致聚类算法直接失效.针对这个问题,提出了中心约束准则与跨域迁移学习准则,并将其应用到可能性C均值算法中,从而提出一种具有中心约束能力的聚类算法,简称中心约束的跨源学习聚类算法,改进后的算法能够利用跨域知识进行辅助聚类,确保类中心相互远离,从而能够保证算法的聚类性能.通过模拟数据集和真实数据集的实验,验证了该算法的上述优点.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘渊	江南大学数字媒体学院	235	1325	17.0	25.0
2	夏洋洋	江南大学数字媒体学院	2	0	0.0	0.0
3	黄亚东	江南大学数字媒体学院	3	4	1.0	2.0