邻域信息加权的最小二乘投影双支持向量聚类

针对最小二乘投影双支持向量聚类(LSPTSVC)算法未充分利用样本邻域之间的潜在信息、实用性不强等问题,本文提出了一种高效的邻域信息加权的最小二乘投影双支持向量聚类算法。首先引入相对密度概念充分提取数据集中同类数据点之间的局部相似性信息,然后计算该点的相对权重,最后利用该权重获得数据点的加权平均值,来更好的反映同类样本的几何结构。实验结果验证了所提算法的有效性,结果表明本文算法在相似的计算复杂度下,相比现有方法取得了更好的聚类准确性,且在真实世界的医学数据集的实际应用中表现出良好的聚类性能。

基于能量的模糊最小二乘投影双支持向量聚类的不平衡学习

针对类不平衡场景中噪声数据导致聚类性能下降的现象,提出一种新的基于能量的模糊最小二乘投影双支持向量聚类的不平衡学习算法。该算法通过引入模糊隶属度函数,为各类数据点提供模糊权重来保持聚类过程中每一个数据点的显著贡献,同时为每个聚类投影轴引入能量因子,来降低噪声和异常值对算法的影响,并使用凹凸迭代过程求解目标函数的优化问题。分别在合成数据集和真实数据集上进行实验,实验结果证明了所提算法的有效性。