加入跳跃连接的深度嵌入K-means聚类

摘要：

现有的深度聚类算法大多采用对称的自编码器来提取高维数据的低维特征,但随着自编码器训练次数的不断增加,数据的低维特征空间在一定程度上发生了扭曲,这样得到的数据低维特征空间无法反映原始数据空间中潜在的聚类结构信息.为了解决上述问题,本文提出了一种新的深度嵌入K-means算法(SDEKC).首先,在低维特征提取阶段,在对称的卷积自编码器中相对应的编码器与解码器之间以一定的权重加入两个跳跃连接,以减弱解码器对编码器的编码要求同时突出卷积自编码器的编码能力,这样可以更好地保留原始数据空间中蕴含的聚类结构信息;其次,在聚类阶段,通过一个标准正交变换矩阵将低维数据空间转换为一个新的揭示聚类结构信息的空间;最后,本文以端到端的方式采用贪婪算法迭代优化数据的低维表示及其聚类,在6个真实数据集上验证了本文提出新算法的有效性.

关键词：跳跃连接、深度学习、卷积自编码器、嵌入K-means

所属期刊栏目：33

分类号：TP391;TN95;TP181

资助基金：国家自然科学基金;国家自然科学基金;山西省研究生教育教学改革课题;山西省横向课题

在线出版日期：2024-01-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：11-21