基于混合距离学习的鲁棒的模糊C均值聚类算法
距离度量对模糊聚类算法FCM的聚类结果有关键性的影响.实际应用中存在这样一种场景,聚类的数据集中存在着一定量的带标签的成对约束集合的辅助信息.为了充分利用这些辅助信息,首先提出了一种基于混合距离学习方法,它能利用这样的辅助信息来学习出数据集合的距离度量公式.然后,提出了一种基于混合距离学习的鲁棒的模糊C均值聚类算法(HR-FCM算法),它是一种半监督的聚类算法.算法HR-FCM既保留了GIFP-FCM(Generalized FCM algorithm with improved fuzzy partitions)算法的鲁棒性等性能,也因为所采用更为合适的距离度量而具有更好的聚类性能.实验结果证明了所提算法的有效性.
距离度量、FCM聚类算法、成对约束、辅助信息、混合距离、半监督、GIFP-FCM、鲁棒性
12
TP181(自动化基础理论)
国家自然科学基金项目61272210
2017-10-20(万方平台首次上网日期,不代表论文的发表时间)
共9页
450-458