基于深度信念网络的K-means聚类算法研究

• 作者: 杨慧婷 杨文忠 殷亚博 许超英
• 来源期刊: 现代电子技术
• 关键词: K-means算法 深度信念网络 受限玻尔兹曼机 高维数据 聚类分析 FCM算法
• 年，卷（期）: 2019,（8）
• 所属期刊栏目: 前沿交叉科学
• 页码范围: 145-150
• 页数: 6页
• 分类号: TN915-34
• 语种: 中文
• DOI: 10.16652/j.issn.1004-373x.2019.08.032

摘要

针对传统K-means聚类算法对高维非线性数据聚类效果不佳、聚类时间消耗大的问题,文中对高维数据的预处理进行研究,提出一种基于深度信念网络(DBN)的K-means聚类算法(DBNOK).此算法首先使用多层受限玻尔兹曼机(RBM)对数据进行特征学习,并将学习到的隐含特征进行K-means聚类,保存初始学习参数与聚类中心;然后使用DBN对相关参数和初始聚类中心进行交叉迭代优化.用DBNOK算法分别在低维数据集和高维数据集上进行实验,结果表明,DBNOK算法聚类准确率优于标准的K-means算法和模糊均值聚类(FCM)算法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杨文忠	新疆大学信息科学与工程学院	68	208	7.0	12.0
2	殷亚博	新疆大学信息科学与工程学院	6	47	3.0	6.0
3	杨慧婷	新疆大学信息科学与工程学院	4	45	3.0	4.0
4	许超英	新疆大学软件学院	4	46	3.0	4.0