基于ε-邻域和拉普拉斯矩阵秩约束的谱聚类算法

为进一步扩充谱聚类算法的研究空间,提出一种基于ε-邻域和拉普拉斯矩阵秩约束的谱聚类算法。利用ε-邻域对亲和矩阵进行稀疏处理,再对拉普拉斯矩阵加上秩约束;以l2,1范数为正则项参数来调整模型,使得模型学习到更合理的数据结构;利用交替迭代优化算法对模型求解。最后,在4个数据集上与其他几种聚类算法进行对比,验证结果表明了ε-RSC算法的有效性和可行性。

基于密度聚类的支持向量机分类算法

为了解决支持向量机的分类仅应用于较小样本集的问题,提出了一种密度聚类与支持向量机相结合的分类算法.在密度聚类中,当一个样本点不存在拟密度可达的样本点,则其显著特征即表现为该簇的边缘点,将该点加入约简集合,直至选出样本集合中的所有边缘对象,然后再利用约简集合寻找支持向量.实验表明,采用该算法,分类的准确率可从基于无监督聚类的支持向量机算法的86.81%提升至95.43%,核函数计算量由原数量级109下降到106以下,采取限制密度聚类中的核心点ε-邻域内的反例百分比的方法,可以增加约简样本的个数,可将分类准确率提高5%～8%左右.

基于闭合曲线边界的聚类算法研究

聚类和聚类边界已经成为数据挖掘中两个研究热点.为了精确聚类,提出一种对检测边界后的数据集进行聚类的算法——BdCluster.该算法首先采用深度优先搜索策略将已知的边界对象进行分类;然后精减各边界对象集合中的数据,并顺序排列,形成闭合的边界曲线;最后采用夹角和法对核心对象进行聚类.实验结果表明,BdCluster算法可以正确识别各种形状的聚类,且时间性能是高效的.

基于密度聚类分析的相关算法研究

聚类分析是数据挖掘的重要方法。该文阐述了基于密度聚类分析的基本概念及其经典的算法思想,并提出了一种基于边界对象进行聚类的新算法。该算法首先对边界对象分类,形成各个聚类的边界曲线,然后采用夹角和法对其它对象进行聚类。作为聚类边界检测算法的后续步骤,新算法保证了数据处理的完整性,为聚类分析方法提供了新思路。

引入深度优先策略的图像边缘聚类算法仿真

为了实现对提取边界后剩余数据对象的聚类,提出一种由图像边缘出发进行聚类的算法。该算法首先采用深度优先搜索的策略将已知的边界对象进行分类,并计算各边界曲线的最小外包矩形区域;然后运用夹角和法去除内边界类;最后依据近邻原则对每一个核心对象进行归类。实验结果表明,对于含有噪声、密度均匀的数据集,算法可以识别出各种形状的聚类,且聚类质量和时间性能较好。