密度敏感模糊核最大熵聚类算法
提出一种密度敏感模糊核最大熵聚类算法.该算法首先通过核函数将原始非线性非高斯的数据集转化为核空间数据集,然后利用核函数的相似性抵消不属于该聚类的样本数据在聚类过程中对聚类中心求解的干扰,消除正则化系数对聚类结果的影响,进而抑制传统最大熵聚类算法的趋同性.最后通过引入相对密度项,解决因样本数据在特征空间的分布差异而导致的聚类中心求解偏差问题,从而提高聚类结果的准确性.实验部分,本文讨论了算法参数间的关系以及对聚类结果的影响.通过与传统模糊C均值聚类算法、核模糊C均值聚类算法、最大熵聚类算法、最大熵规范化权重核模糊C均值聚类算法以及其他两种改进最大熵聚类算法的聚类结果进行对比分析,结果表明本文提出的密度敏感模糊核最大熵聚类算法的聚类性能明显优于其他算法.
聚类;相对密度;最大熵聚类算法;鲁棒性
39
国家自然科学基金;中央高校基本科研业务费专项资金项目;东北林业大学双一流科研启动基金项目;哈尔滨市科技局创新人才基金项目;东北林业大学大学生创新创业训练计划
2022-02-18(万方平台首次上网日期,不代表论文的发表时间)
共16页
67-82