用改进的RPCL算法提取聚类的最佳数目

摘要：

对于传统的K平均算法来说,如何选择适当类的数目是一个难以解决的问题.有人提出了次胜者受罚的竞争学习(rival penalized competitive learning : RPCL)算法试图来解决这一问题.但是,当数据类有重叠以及输入矢量含有非独立项时,RPCL算法的性能不能令人满意.本文提出了一种结合全协方差矩阵的RPCL算法,并逐步删除那些只包含少量训练数据的类.这种算法,我们称之为改进的RPCL算法.我们用改进的RPCL算法来确定高斯混合分布类的数目,并将其与原来的RPCL进行比较.实验证明,改进的RPCL算法比原来的RPCL算法能够更好地表征类.

关键词：聚类、RPCL算法、竞争学习

所属期刊栏目：5

分类号：TN912.34

在线出版日期：2004-01-08（万方平台首次上网日期，不代表论文的发表时间）

页码：409-413