面向大规模数据的快速多代表点仿射传播算法

摘要：

针对原始的仿射传播(affinity propagation,AP)聚类算法难以处理多代表点聚类,以及空间和时间开销过大等问题,提出了快速多代表点仿射传播(multi-exemplar affinity propagation using fast reduced set density estimator,FRSMEAP)聚类算法.该算法在聚类初始阶段,引入快速压缩集密度估计算法(fast reduced set density estimator,FRSDE)对大规模数据集进行预处理,得到能够充分代表样本属性的压缩集;在聚类阶段,使用多代表点仿射传播(multi-exemplar affinity propagation,MEAP)聚类算法,获得比AP更加明显的聚类决策边界,从而提高聚类的精度;最后再利用K-邻近(K-nearest neighbor,KNN)算法分配剩余点得到最终的数据划分.在人工数据集和真实数据集上的仿真实验结果表明,该算法不仅能在大规模数据集上进行聚类,而且具有聚类精度高和运行速度快等优点.

关键词：仿射传播、聚类、大数据、多代表点

所属期刊栏目：10

分类号：TP181(自动化基础理论)

资助基金：The National Natural Science Foundation of China under Grant No.61373055

在线出版日期：2016-06-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：268-276