运用区间二型模糊集的半监督模糊聚类算法

将区间二型模糊集引入半监督聚类,提出一种运用区间二型模糊集的半监督聚类算法.该算法以区间二型模糊集为隶属度,将已标识样本的类别标签融入目标函数,使得聚类算法可以在已标识样本类别信息的引导下,得到合理的隶属度.实验表明,相比其他聚类模型,结合半监督机制和区间二型模糊集的聚类算法具有更好的聚类性能.

基于K-means聚类和特征空间增强的噪声标签深度学习算法

深度学习中神经网络的性能依赖于高质量的样本,然而噪声标签会降低网络的分类准确率。为降低噪声标签对网络性能的影响,噪声标签学习算法被提出。该算法首先将训练样本集划分成干净样本集和噪声样本集,然后使用半监督学习算法对噪声样本集赋予伪标签。然而,错误的伪标签以及训练样本数量不足的问题仍然限制着噪声标签学习算法性能的提升。为解决上述问题,提出基于K-means聚类和特征空间增强的噪声标签深度学习算法。首先,该算法利用K-means聚类算法对干净样本集进行标签聚类,并根据噪声样本集与聚类中心的距离大小筛选出难以分类的噪声样本,以提高训练样本的质量;其次,使用mixup算法扩充干净样本集和噪声样本集,以增加训练样本的数量;最后,采用特征空间增强算法抑制mixup算法新生成的噪声样本,从而提高网络的分类准确率。并在CIFAR10、CIFAR100、MNIST和ANIMAL-10共4个数据集上试验验证了该算法的有效性。

喷墨印花纹理图像的期望最大化聚类分割算法

针对聚类分割算法对喷墨印花纹理图像存在的局限性,提出了一种结合期望最大化(EM)的喷墨印花纹理图像聚类分割算法(CSA)。首先,将空间相关性引入聚类分割中,利用自回归模型表征纹理同质区域;然后,为了提高分割模型参数估计的精度,将分块标定机制引入期望最大化算法中,实现了参数极大似然估计的迭代算法,解决了不完全数据参数估计问题;最后,利用数据集分块并进行聚类,使同类元素具有较高的相似度,从而对图像中的像素进行了归类划分,并将得到的结果进行了合并,实现了目标图像的正确分割。实验结果表明,和传统的聚类分割算法相比,该算法能更好地解决喷墨印花纹理图像的分割问题。

结合特征金字塔网络的半监督AP聚类算法

为使AP算法对图像进行聚类时充分考虑不同尺度的特征及有效利用未标记数据的特征,提出了结合特征金字塔网络的半监督AP聚类算法(Semi-supervised AP clustering Based on Feature Pyramid Networks, FPNSAP)。FPNSAP算法使用改进的特征金字塔网络来获得图像不同尺度的特征图,对不同大小的特征图进行融合,获得图像的高级语义特征,识别不同大小、不同实例的目标;k近邻标记更新策略可以动态增加标记数据集样本数量,充分利用未标记数据的特征,提高AP算法的聚类性能。FPNSAP算法与四个经典算法(FCH、SAP、DCN和DFCM)在Fashion-MNIST、YaleB和CIFAR-10数据集上进行实验对比,结果表明,FPNSAP算法具有较高的聚类性能,同时算法的鲁棒性更好。

基于最大化间隔准则和成对约束的鲁棒半监督聚类研究

针对现有半监督最大间隔聚类算法在不同类别中有不少样本非常相似的情况下难以提高聚类准确度的问题，提出了下述解决策略：首先，基于最大化间隔准则设计一种鲁棒的成对约束损失函数，即使不同类别有较多样本非常相似，该函数仍然能有效地检测不能满足成对约束的聚类结果，并提供相应的惩罚，从而能较好地提高聚类的性能。其次，基于约束凹凸过程设计一种迭代算法进行求解。进而，基于这一策略，提出了一种新的聚类算法——鲁棒的成对约束最大化间隔聚类（BPCMMC）算法。实验结果表明，该算法能有效克服现有半监督最大间隔聚类算法的不足，其聚类错误率明显低于传统的半监督聚类算法。

嵌套删失数据期望最大化的高斯混合聚类算法

针对聚类问题中的非随机性缺失数据,本文基于高斯混合聚类模型,分析了删失型数据期望最大化算法的有效性,并揭示了删失数据似然函数对模型算法的作用机制.从赤池弘次信息准则、信息散度等指标,比较了所提出方法与标准的期望最大化算法的优劣性.通过删失数据划分及指示变量,推导了聚类模型参数后验概率及似然函数,调整了参数截尾正态函数的一阶和二阶估计量.并根据估计算法的有效性理论,通过关于得分向量期望的方程得出算法估计的最优参数.对于同一删失数据集,所提出的聚类算法对数据聚类中心估计更精准.实验结果证实了所提出算法在高斯混合聚类的性能上优于标准的随机性缺失数据期望最大化算法.

一种半监督K均值多关系数据聚类算法

提出了一种半监督K均值多关系数据聚类算法.该算法在K均值聚类算法的基础上扩展了其初始类簇的选择方法和对象相似性度量方法,以用于多关系数据的半监督学习.为了获取高性能,该算法在聚类过程中充分利用了标记数据、对象属性及各种关系信息.多关系数据库Movie上的实验结果验证了该算法的有效性.

基于约束动态更新的半监督层次聚类算法

提出了一种基于约束动态更新的半监督层次聚类算法.与现存的半监督层次聚类算法类似,该算法也使用了必连和不连约束.但不同的是,该算法并不是在对满足必连约束的数据样本点进行预先划分的基础上依据不连约束进行聚合操作,而是首先将约束扩展为一个闭包,然后在这此基础上直接依据不连约束进行聚合操作,并在聚合的过程中依据聚类结果动态地更新必连和不连约束,以保证最终的聚类结果同时满足必连和不连约束.该算法的优势在于省略了对必连约束的数据样本点进行预先划分的步骤,这一改进能够保证数据样本点获得更为合理的聚合顺序,从而得到更为准确的聚类结果.本文具体给出了该算法基于Ward层次聚类算法的实现,提出了C-Ward算法.实验表明,与其他同类算法相比,无论是在人工模拟数据集还是在现实数据集上,本文提出的算法都表现出了更高的准确性和更强的稳定性.

半监督FCM聚类算法目标函数研究

分析了现有半监督FCM算法目标函数的物理意义和平衡系数α的选取,说明Stutz对Pedrycz目标函数的修改使半监督的物理意义更清楚,它在α=1,0时均退化为标准FCM算法,给出了修改后SS-FCM算法的交替求解过程。实验结果:(1)修改算法与Pedrycz算法有相同的半监督作用和清楚的物理解释;(2)对labeled样本采用FCM算法赋值比用随机数的收敛稳定性高;(3)优选的少量labeled样本,使用模糊协方差的SS-CFCM算法提高了聚类准确性和收敛速度。

基于分裂层次半监督谱聚类算法的风电场机群划分方法

在谱聚类技术的基础上,面向风电场动态等值建模,提出一种基于分裂层次半监督谱聚类算法的风电场机群划分方法。首先根据风电机组的实测运行数据,构造一个可以体现原始数据结构且能为分类提供更多有效信息的特征向量矩阵Y。进而利用获取的部分样本组的先验信息,采用自顶向下的簇分裂策略,对Y中的样本组进行半监督聚类划分,得到风电机组的机群划分结果 ,采用容量加权法计算各机群等值风电机组的参数,建立风电场的动态等值模型。以某实际风电场为例进行仿真验证,结果表明,采用所提方法建立的动态等值模型与详细模型较接近,能够较准确地反映风电场的动态响应特性。

改进的FCM半监督聚类算法

通过将类间分离度函数引入到模糊C-均值聚类算法中,结合半监督的思想,建立基于信息熵的半监督模糊C-均值聚类模型,并对该模型的求解过程进行推导,提出一种新的算法.为了验证算法的有效性,将该算法在UCI数据集上进行实验,实验结果表明,该算法比仅引入信息熵的模糊C-均值聚类方法聚类性能更好.

基于半监督的模糊C-均值聚类算法

通过将半监督学习的思想引入到模糊C-均值聚类方法中,提出一种基于半监督的模糊C-均值聚类算法,有效解决了模糊C-均值聚类算法随机选取初始聚类中心导致聚类结果局部收敛的问题,能客观获取最佳聚类数目和初始聚类中心.实验结果表明,与传统模糊C-均值聚类算法相比,基于半监督的模糊C-均值算法在一定程度上减少了迭代次数,降低了对初始聚类中心的依赖性.

基于半监督学习的K-均值聚类算法研究

定义了一个欧氏距离和监督信息相混合的新的最近邻计算函数,从而将K-均值算法很好地应用于半监督聚类问题。针对K-均值算法初始质心敏感的缺陷,用粒子群算法的搜索空间模拟聚类的欧氏空间,迭代搜索找到较优的聚类质心,同时提出动态管理种群的策略以提高粒子群算法搜索效率。算法在UCI的多个数据集上测试都得到了较好的聚类准确率。

基于流形距离的人工免疫半监督聚类算法

将流形距离作为样本间相似性的基本度量测度,加入成对约束信息,通过近邻传播得出新的度量矩阵。把聚类问题转化为一优化数学模型。采用克隆选择算法求解这个优化模型,得出最后的聚类结果,通过人工数据集和UCI标准数据集验证了这种方法具有较高的准确性。

一种基于Seeds集和成对约束的主动半监督聚类算法

针对半监督聚类算法中监督信息使用不充分,监督信息中信息含有量低的问题,提出一种结合主动学习的半监督聚类算法.首先结合使用数据的类别标记和成对约束信息,指导Kmeans聚类过程,设计出一种基于Seeds集和成对约束的半监督聚类算法SC-Kmeans;其次将主动学习算法引入到SC-Kmeans中,以尽量小的代价选取信息含有量更高的监督信息,提高SC-Kmeans算法的聚类精度;最后在UCI标准数据集上进行仿真实验.实验结果表明,该算法取得了较好的聚类效果,有效提高了聚类准确率.

一种基于多示例学习的动态样本集半监督聚类算法

针对时域空间动态样本模式分类和标记信息的有效利用问题,提出了一种基于多示例学习的动态样本半监督聚类算法。根据时间信号的结构关系和模态特征,建立动态样本的多示例信息表示模型;通过定义一种可度量时变函数样本包间近似度的广义Hausdorff距离和基于近邻传播的聚类原则,构建多示例动态样本包的半监督聚类算法。算法利用样本包的类别先验知识构建样本集初始划分种子簇并探索样本的分布特征,采用基于广义Hausdorff距离的近邻传播策略调整样本包聚类,突出动态指标局部模态变化特征在样本分类中的差异性。以油田地质研究中测井曲线油层水淹状况判别为例,验证了模型和算法的有效性。

模糊半监督加权聚类算法的有效性评价研究

鉴于最佳聚类数在提高聚类算法性能并扩大其应用领域方面的重要性,为了有效解决聚类算法中最佳聚类数的确定问题,解决传统的聚类分析算法常常需要人为预先指定聚类数的缺点,文中提出一种新型模糊半监督加权聚类算法。首先使用该算法对实测数据进行聚类,获取聚类结果。随后采用4种模糊聚类有效性评价算法依次对不同聚类数下的聚类结果进行聚类分析,最终通过不同聚类评价结果的对比分析得到实验数据的最佳聚类数。自测数据集的相关实验结果表明,不同的聚类有效性评价算法具有不同的优缺点,选择合适的聚类评价算法能够有效地解决最佳聚类数的确定问题,并能够有效提高实测数据的聚类识别率。

基于局部线性嵌入的半监督仿射传播聚类算法

针对运用半监督仿射传播聚类算法处理高维数据时聚类精度低和计算量大的问题,提出一种基于局部线性嵌入的半监督仿射传播聚类算法.该算法首先通过LLE算法将高维输入数据集映射到低维空间得到低维数据集,计算低维数据集的相似度矩阵,再用半监督算法调整相似度矩阵,最后用仿射传播聚类算法对低维数据进行聚类分析.仿真结果表明,本文提出的算法与半监督仿射传播聚类算法相比,在处理高维数据时聚类效果更好,精度更高,迭代次数更少.

基于多因子选股的半监督核聚类算法改进研究

研究了一种附有引力影响因子的半监督K-means核函数聚类算法,并将该方法应用于多因子选股模型中。研究表明,相比传统的聚类模型,改进的模型具有较强的泛化能力,模型在处理样本线性不可分、样本分布非球状簇等问题上具有明显的优势,能选出较优的股票组合。

参数自适应学习的半监督混合聚类算法

提出目标重构的半监督混合聚类算法SSABC。使用人工蜂群算法结合有标记数据研究半监督聚类的准确率提高问题,利用设定参数衡量有无标记数据的权重,依此重新构造目标函数找出数据聚类中心;使用APL-SSHC算法完成半监督混合聚类的参数自适应学习工作,结合自适应学习理论优化权重参数,将参数的确定与聚类过程结合加快聚类过程。UCI数据集实验结果表明,该算法能够找到合理的聚类中心点,APL-SSHC算法与其它聚类算法相比有更好的聚类效果。