稳健的软子空间聚类算法-西安理工大学学报.PDF

　西安理工大学学报 ＪｏｕｒｎａｌｏｆＸｉ’ａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ（２０１３）Ｖｏｌ．２９Ｎｏ．２　 ２２１ 　　文章编号：１００６４７１０（２０１３）０２０２２１０７ 稳健的软子空间聚类算法 郑素佩，封建湖 （长安大学 理学院，陕西 西安７１００６４） 摘要：针对软子空间聚类算法（ＳｏｆｔＳｕｂｓｐａｃｅＣｌｕｓｔｅｒｉｎｇ，ＳＳＣ）对噪声敏感的问题，基于非欧氏距离， 提出稳健的软子空间聚类（ＲｏｂｕｓｔＳｏｆｔＳｕｂｓｐａｃｅＣｌｕｓｔｅｒｉｎｇ，ＲＳＳＣ）算法。ＲＳＳＣ通过在数据点每一 维特征上赋予数据点权函数来提高算法在噪声环境中对聚类中心估计的准确性，进而提高算法的 稳健性。实验结果表明，ＲＳＳＣ不仅能有效地选取数据的局部特征，而且具有良好的抗噪声性。 关键词：局部特征加权；稳健聚类；非欧距离 中图分类号：ＴＰ１８１　　　文献标志码：Ａ ＲｏｂｕｓｔＳｏｆｔＳｕｂｓｐａｃｅＣｌｕｓｔｅｒｉｎｇＡｌｇｏｒｉｔｈｍ ＺＨＥＮＧＳｕｐｅｉ，ＦＥＮＧＪｉａｎｈｕ （ＳｃｈｏｏｌｏｆＳｃｉｅｎｃｅ，Ｃｈａｎｇ’ａｎＵｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ７１００６４，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｓｔｈａｔｓｏｆｔｓｕｂｓｐａｃｅｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍ（ＳＳＣ）ｉｓｓｅｎｓｉｔｉｖｅｔｏｎｏｉｓｅ， ａｎｄｂａｓｅｄｏｎａｎｏｎＥｕｃｌｉｄｅａｎｍｅｔｒｉｃ，ａｒｏｂｕｓｔｓｏｆｔｓｕｂｓｐａｃｅｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍ（ＲＳＳＣ）ｃｌｕｓｔｅｒｉｎｇａｌ ｇｏｒｉｔｈｍｉｓｐｒｅｓｅｎｔｅｄ．Ｂｙｅｎｄｏｗｉｎｇｅａｃｈｆｅａｔｕｒｅｏｆｄａｔａｐｏｉｎｔｓｗｉｔｈａｗｅｉｇｈｔｉｎｇｆｕｎｃｔｉｏｎ，ＲＳＳＣｃａｎｅｓｔｉ ｍａｔｅｔｈｅｃｌｕｓｔｅｒｉｎｇｃｅｎｔｅｒｍｏｒｅａｃｃｕｒａｔｅｌｙｉｎｎｏｉｓｙｅｎｖｉｒｏｎｍｅｎｔ，ａｎｄｔｈｅｒｏｂｕｓｔｎｅｓｓｏｆａｌｇｏｒｉｔｈｍｉｓｆｕｒｔｈｅｒ ｉｍｐｒｏｖｅｄ．ＴｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔＲＳＳＣｃａｎｎｏｔｏｎｌｙｓｅｌｅｃｔｔｈｅｌｏｃａｌｆｅａｔｕｒｅｓｏｆｄａｔａｅｆｆｅｃｔｉｖｅ ｌｙｂｕｔａｌｓｏｂｅｒｏｂｕｓｔｔｏｎｏｉｓｅ． Ｋｅｙｗｏｒｄｓ：ｌｏｃａｌｆｅａｔｕｒｅｗｅｉｇｈｔｉｎｇ；ｒｏｂｕｓｔｃｌｕｓｔｅｒｉｎｇ；ＮｏｎＥｕｃｌｉｄｅａｎｍｅｔｒｉｃ 　　聚类分析是数据分析中重要的统计方法之一， 加权聚类算法能够挖掘隐藏在不同子空间中的族 ［７］ 已经广泛用于图像处理、数据挖掘、生物信息学和模 类，故又称之为软子空间聚类算法。Ｃｈａｎ 和 ［１］ ［８］ 式识别等众多领域。Ｋ均值（ＫＭ）聚类算法 和模 Ｊｉｎｇ 分别提出两种基于 ＫＭ的软子空间聚类算 ［２］ 糊Ｋ均值（ＦＫＭ）聚类算法 是两个最著名的聚类 法，但是由于他们提出的软子空间聚类算法基于 算法，ＦＫＭ是 ＫＭ的模糊推广形式，与 ＫＭ相比， ＫＭ，从聚类的结果来看仍然是硬聚类算法。Ｆｒｉｇｕｉ ＦＫＭ能够更加合理地揭示数据的分布情况。 ［９］ 等人 首先提出了基于ＦＫＭ的软子空间聚类（Ｓｏｆｔ ［７］ 经典聚类算法（如ＫＭ和ＦＫＭ等）对