完全自适应的谱聚类算法

• 作者: 丁丽娟 谢娟英
• 来源期刊: 电子学报
• 学科: 工学
• 关键词: 谱聚类 邻域 标准差 均值 自适应
• 年，卷（期）: 2019,（5）
• 所属期刊栏目: 学术论文
• 页码范围: 1000-1008
• 页数: 9页
• 分类号: TP181
• 字数: 7791字
• 语种: 中文
• DOI: 10.3969/j.issn.0372-2112.2019.05.004

摘要

针对谱聚类算法self-tuning的局部尺度参数σi会受噪音点影响,进而影响聚类结果,及其所使用的K-means算法的不稳定,对聚类结果的影响,提出两种完全自适应的谱聚类算法SC-SD(Spectral Clustering based on Standard Deviation)和SC-MD(Spectral Clustering based on Mean Distance),分别定义样本i的标准差、样本i到其余样本的距离均值,为样本i的邻域半径,统计邻域内的样本数,以样本i的邻域标准差为其局部尺度参数,避免样本i的局部尺度参数受噪音点影响,进而影响聚类结果;以方差优化初始聚类中心的SD-K-medoids算法代替K-means算法,克服K-means算法的不稳定,发现数据的真实分布.UCI数据集和人工数据集实验测试表明,提出的SC-SD和SC-MD算法能得到更优聚类结果,不受噪音点影响,有很好的伸缩性.提出的SC-SD和SC-MD能完全自适应地发现数据集的真实分布信息,尤其SC-MD算法很适合较大规模数据集的聚类分析.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	谢娟英	陕西师范大学计算机科学学院	46	873	15.0	28.0
2	丁丽娟	陕西师范大学计算机科学学院	2	3	1.0	1.0