基于马氏距离的半监督近邻传播聚类算法

针对近邻传播(AP)聚类算法距离度量的局限性,以及对于一些结构比较复杂的数据集聚类算法精度不高的问题,提出一种基于马氏距离的半监督近邻传播聚类算法(SAPBM)。考虑到马氏距离不受样本维数的影响,在样本的相似性度量中,SAPBM算法以马氏距离取代了AP算法采用的欧几里得距离,减少因样本维数的影响造成样本间的相互干扰;结合成对约束信息改善数据间的相似度,使相似度矩阵更能准确反映数据间的关系。在UCI标准数据集上进行实验,结果表明,SAPBM算法相比传统的AP聚类算法和仅利用成对约束信息的SAP聚类算法的聚类性能更优。

基于流形距离的半监督近邻传播聚类算法

通过学习数据集的低维流形结构,给出一种流形距离测度;结合成对约束信息,调整数据的相似度矩阵,将其作为近邻传播算法的输入,提出了基于流形距离的半监督近邻传播聚类算法(SAP-MD)。通过在UCI标准数据集上的仿真实验表明,SAP-MD算法相比于仅利用成对约束信息的聚类算法,在聚类性能上有很大提高。