10.3969/j.issn.1000-3428.2015.06.030
基于局部和全局信息的改进聚类算法
传统K-means算法在随机选取初始聚类中心时,容易导致结果不稳定,谱聚类算法直接在相似矩阵上进行分割,对结果的准确性影响较大,而局部和全局正则化聚类算法未考虑数据空间分布对结果的影响。为此,引入离散度矩阵对局部和全局正则化聚类算法进行改进。改进算法考虑数据的分布信息,通过在局部信息目标函数中引入离散度矩阵,结合全局信息的目标函数,将目标函数最小化问题转换为分解稀疏矩阵特征的问题。在UCI机器学习数据集和公共数据挖掘数据集上的实验结果表明,与K-means及标准谱聚类算法相比,该算法的预测精度更高。
K-means算法、谱聚类、离散度矩阵、特征分解、UCI数据集
TP181(自动化基础理论)
江苏省自然科学基金资助项目BK2011417。
2015-07-02(万方平台首次上网日期,不代表论文的发表时间)
共7页
165-171