kernel-k-means.pptVIP

本作品采用知识共享署名-非商业性使用 2.5 中国大陆许可协议进行许可。 专业交流 模板超市 设计服务 NordriDesign中国专业PowerPoint媒体设计与开发 本作品的提供是以适用知识共享组织的公共许可（ 简称“CCPL” 或 “许可”） 条款为前提的。本作品受著作权法以及其他相关法律的保护。对本作品的使用不得超越本许可授权的范围。 如您行使本许可授予的使用本作品的权利，就表明您接受并同意遵守本许可的条款。在您接受这些条款和规定的前提下，许可人授予您本许可所包括的权利。 查看全部… Kernel k-means Spectral Clustering 李翔 2014/4/11 Kernel K-means——核聚类 主要思想是通过一个非线性映射，将输入空间中的数据点映射到高维特征空 间中，并选取合适的核函数代替非线性映射的内积，在特征空间中进行聚类 映射到高维空间：为了突出不同样本类别之间的特征差异，使得样本在 核空间中变得线性可分（或近似线性可分） 特征空间中进行聚类：类似k-means 假设输入空间的 ,k=1,2,……,l,被某种非线性映射φ映射到某一特征空 间H，得到 ，则输入空间的点积形式，在特征空间中就 可以表示为： 所有样本可以组成一个核函数矩阵Ki,j = 常用核函数： 多项式核函数 ，d为整数，自定义参数 高斯核函数 ，β0是自定义参数 两层神经网络sigmod 核函数 K(x,y) = ,其中b,c是自定义参数 核聚类流程 1、确定k个初始聚类中心 2、将每个样本进行归类，分配到对应的类中去 3、重新计算样本中心，再进行迭代，一直到收敛为止 核聚类的优点： 1、将样本映射到高维空间，使得样本间的微小差别增大，便于分类。 2、使得原样本线性不分的情况下变得线性可分（近似线性可分） 收敛判断函数： 其中C是类别个数，Ni是第i个的样本个数， 核聚类实例： Spectral Clustering 像素点之间的相似度的表示： X(i)表示空间信息，F(i)是基于密度，颜色，纹理特征的信息。 Spectral Clustering 本作品采用知识共享署名-非商业性使用 2.5 中国大陆许可协议进行许可。 专业交流 模板超市 设计服务 NordriDesign中国专业PowerPoint媒体设计与开发 本作品的提供是以适用知识共享组织的公共许可（ 简称“CCPL” 或 “许可”） 条款为前提的。本作品受著作权法以及其他相关法律的保护。对本作品的使用不得超越本许可授权的范围。 如您行使本许可授予的使用本作品的权利，就表明您接受并同意遵守本许可的条款。在您接受这些条款和规定的前提下，许可人授予您本许可所包括的权利。 查看全部…