K-means型多视图聚类中的初始化问题研究*

• 作者: 洪敏 王晓阳 贾彩燕
• 来源期刊: 计算机科学与探索
• 学科: 工学
• 关键词: 多视图 类初始化 聚类
• 年，卷（期）: 2019,（4）
• 所属期刊栏目: 数据挖掘
• 页码范围: 574-585
• 页数: 12页
• 分类号: TP301
• 字数: 8327字
• 语种: 中文
• DOI: 10.3778/j.issn.1673-9418.1806016

摘要

在K-means型多视图聚类算法中,最终的聚类结果会受到初始类中心的影响.因此研究了不同的初始中心选择方法对K-means型多视图聚类算法的影响,并提出一种基于采样的主动式初始中心选择方法(sampled-clustering by fast search and find of density peaks,SDPC).该方法通过对数据集进行均匀采样,利用密度峰值快速搜索聚类算法(clustering by fast search and find of density peaks,DPC),以及K-means再迭代策略,进一步改善多视图聚类中的初始中心选择效率和类个数问题.实验验证了不同初始化方法对K-means型多视图聚类算法的影响.多视图基准数据集上的实验结果表明:全局(核)K-means初始化方法存在时间复杂度过高的问题,AFKMC(2 assumption-free K-Markov chain Monte Carlo)初始化适用于大规模数据,DPC可以主动选择类个数和初始类中心,SDPC较DPC而言,不仅能主动式获得类个数,还在聚类精度和效率上取得了较好的折衷.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	贾彩燕	北京交通大学计算机与信息技术学院	23	180	9.0	12.0
3	王晓阳	北京交通大学计算机与信息技术学院	2	2	1.0	1.0
7	洪敏	北京交通大学计算机与信息技术学院	1	2	1.0	1.0