一种尺度参数与初始中心自适应的谱聚类算法.pdfVIP

20l3年第 7期 信 息通 信 2013 (总第 129期) INFORMAT10N C0MMUNICATIoNS (Sum．No 129) 一 种尺度参数与初始中心自适应的谱聚类算法 梁后军 ，刘小虎 。梁后兵 。旷世希 。。吴 建 。 (淮河水利委员会水文局，安徽 蚌埠 233000；2．安徽水利水电勘察设计院，安徽 合肥 233000) 摘要：提出一种尺度参数与初始中心 自适应的谱聚类算法。与传统谱聚类算法中使用全局尺度参数相比，本算法根据样 本数据点邻域信息自适应确定的局部尺度参数，充分考虑了数据的内在结构，并且将粒子群优化的FCM算法引入算法 中，寻找最优粒子作为初始中心，解决初始聚类中心敏感性问题。实验结果表明，文章提 出的算法相比原始谱聚类算法， 聚类结果更稳定，正确率更高。 关键词 ：谱聚类；尺度参数；自适应；粒子群优化 中图分类号：TP301．6 文献标识码 ：A 文章编号：1673．1131(2013)07—0020．03 ASpectraIClusteringalgorithm withAdaptiveScaleParametersandInitialCenters Abstract：Thispaperpresentsanimprovedspectralclusteringalgorithm wherescaleparametersandinitialcentersareadaptiv— elydetermined．Comparingwiththetraditionalspectralclusteringalgorithm usingglobescaleparameter,htealgorithm deter— minesthelocalscalepraametersaccordingtohteneighborhoodinformationofsampledataadaptively,whichfullyconsidersin— herentstructureofthesampledata．Andtheparticleswarm optimizedFCM algorithm isinrtoducedintothealgorithm tosolve thesensitiveproblem ofinitiatclustercentersbyfindingtheoptimum swarm ．Experimentalresultsshow thathteclusteringre— suitsofproposedalgorithm havemorestableandhigheraccuracyratecomparedwiththeoriginalspectralclustering． Keywords：spectralclustering，scaleparameter,adaptive，particleswarm optimized 所谓聚类，就是将数据对象划为若干个不同的簇，使得同 免样本数据高维性所造成的奇异性问题。谱聚类算法首先利 一 簇中的数据对象尽可能相似，不同簇中的数据对象差别尽 用样本数据构建一个相似性矩阵，进而计算得出拉普拉斯矩 _I能『大。聚类分析作为一种非监督学习方法，一直是机器学 阵，然后利用该拉普拉斯矩阵的特征向量来挖掘样本数据的 习与模式识别领域中一个比较活跃而又极富挑战性的研究方 内在联系。根据特征向量使用的方法不同，会产生不同的谱 向…。聚类分析己在计算机视觉、统计学、信息学甚至社会心 聚类算法，目前比较经典的算法有：Shi、Malik在2000年提出 理学等领域得到广泛的应用。聚类是在对数据集几乎一无所 的NomralizedCuts算法和Ng等在2002年提出的Ng．Jordan。 知的前提 ，通过相关的分析计算发现数据集 自身的内蕴结