核模糊谱聚类LOF降噪方法研究
为解决核模糊相似性度量谱聚类算法的样本点降噪问题,优化聚类效果和稳定性,本文从分析异常点分布特性出发,引入局部异常因子(LOF)算法,提出聚类中心候选对象的概念,过滤数据集的噪声数据,从而优化初始聚类中心的计算,突出正常样本点在聚类中心调整中的影响力,使聚类算法更易于得出准确的聚类结果.同时提出一种局部过滤因子以修正相似性度量的方法,该方法通过放大正常数据之间的权值、缩小正常数据与噪声数据间的权值,使优化后的核模糊谱聚类算法大大降低对异常点的敏感度.算法有效性实验和算法稳定性实验表明:该方法对相似性度量修正的有效性使核模糊谱聚类算法更为稳定和鲁棒.
谱聚类、核模糊相似性度量、聚类中心候选对象、局部过滤因子
35
TP391(计算技术、计算机技术)
国家自然科学基金资助项目61673123,61603100,61772141,61702110;广东省科技计划项目2015B090901016,2016B010108007;广东省教育厅项目粤教高函[2014]97号,粤教高函2015[133]号;广州市科技计划项目2016201604030034,201604046017,201604020145,201508010067
2019-05-08(万方平台首次上网日期,不代表论文的发表时间)
共6页
77-82