复杂分布数据的半监督阶段聚类

摘要：

半监督聚类是一种用先验信息完善聚类过程的机器学习方法。通过将元胞自动机（cellular automata， CA）距离变换算法引入到半监督聚类过程中，采用平面距离变换算法将数据集划分为若干子类，获得聚类数和约束信息，并作为下一阶段聚类的先验信息。利用半监督K-means聚类算法对第一阶段的聚类结果做进一步划分，可以获得完整的聚类中心和聚类数，并由此提出CA-K-means二阶段聚类算法。采用3组人工数据集和3组标准UCI数据集进行对比仿真实验，将CA-K-means二阶段聚类算法与半监督K-means聚类算法、遗传K-means聚类算法和单纯的CA层次聚类算法进行对比，结果显示，该算法对复杂分布数据的聚类准确率较高，聚类性能更加优良。

关键词：元胞自动机、半监督聚类、K-means聚类算法、CA-K-means二阶段聚类、复杂分布

所属期刊栏目：10

分类号：TP181(自动化基础理论)

资助基金：The Natural Science Foundation of Shaanxi Province under Grant No.2014JM8353

在线出版日期：2016-08-01（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：1003-1009