基于局部和全局信息的改进聚类算法

摘要：

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。

关键词：K-means算法、谱聚类、离散度矩阵、特征分解、UCI数据集

分类号：TP181(自动化基础理论)

资助基金：江苏省自然科学基金资助项目BK2011417。

在线出版日期：2015-07-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：165-171