借鉴历史知识的类中心距离极大化聚类算法

为解决经典聚类算法在处理数据量稀少或存在干扰信息的数据时聚类效果不佳,甚至可能失效的问题,提出借鉴历史知识的类中心距离极大化聚类算法(transfer fuzzy c-means clustering algorithm with center distance maximization,CMT-FCM)。有效借鉴历史知识,利用历史类中心实现迁移学习,在保护原始数据私密性的同时,验证其聚类的有效性;在处理具有干扰信息(噪声点或者干扰点)的数据时,干扰信息对类中心有一定吸引力,导致类中心偏移或者一致,通过引入类中心距离极大化项,有效避免该问题。通过模拟数据集和真实数据集上的实验验证了该算法的有效性。

基于CMT-FCM的自适应谱聚类算法

传统谱聚类对初值选取十分敏感,严重影响了聚类效果。为了解决初值敏感问题,提出了基于CMTFCM(借鉴历史知识的类中心距离极大化聚类算法)的自适应谱聚类算法。该算法以样本空间的标准差作为尺度参数,实现了尺度参数的自适应选取,提高了算法效率;而通过借鉴历史知识,引入类中心距离极大化项,避免了干扰点对类中心的干扰,提高了算法鲁棒性。通过在模拟数据集以及真实数据集上的测验,取得了比传统谱聚类更稳定的聚类效果,验证了算法的有效性。