基于融合欧氏距离与kendalltau距离度量的谱聚类算法.pdfVIP

第34 卷第6 期 控制 理 论 与 应 用 Vol. 34 No. 6 2017 年6 月 Control Theory Applications Jun. 2017 DOI: 10.7641/CTA.2017.60606 基基基于于于融融融合合合欧欧欧氏氏氏距距距离离离与与与Kendall Tau距距距离离离度度度量量量的的的谱谱谱聚聚聚类类类算算算法法法 光俊叶, 邵 伟, 孙 亮, 张道强 (南京航空航天大学计算机科学与技术学院, 江苏南京211106) 摘要: 大多数现存的谱聚类方法均使用传统距离度量计算样本之间的相似性, 这样仅仅考虑了两两样本之间的 相似性而忽略了周围的近邻信息, 更没有顾及数据的全局性分布结构. 因此, 本文提出一种新的融合欧氏距离和 Kendall Tau距离的谱聚类方法. 该方法通过融合两两样本之间的直接距离以及其周围的近邻信息, 充分利用了不同 的相似性度量可以从不同角度抓取数据之间结构信息的优势, 更加全面地反映数据的底层结构信息. 通过与传统聚 类算法在UCI标准数据集上的实验结果作比较, 验证了本文的方法可以显著提高聚类效果. 关键词: Kendall Tau距离; 距离度量; 相似性融合; 谱聚类 中图分类号: TP181 文献标识码: A Spectral clustering with mixed Euclidean and Kendall Tau metrics GUANG Jun-ye, SHAO Wei, SUN Liang, ZHANG Dao-qiang (Department of Computer Science and Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing Jiangsu 211106, China) Abstract: Spectral methods have been largely utilized in clustering problems. Most of existing methods ignore the useful information from neighborhoods and only employ conventional metric to evaluate the similarity between pairs of samples. Accordingly, this paper proposes a novel spectral clustering method with mixed Euclidean and Kendall Tau met- rics (SCMEK), by which similarities between pairs of samples and their neighbors are both considered for learning the underlying structure of the datasets. Specifically, the new similarity metric is a fusion algorithm, which outputs enhanced metric by combining multiple metrics (i.e., Euclidean metric and Kendall Tau metric). Moreover, the proposed method uti- lizes the non-linear fus