基于能量距离推广的Ward聚类算法研究

能量距离源于牛顿重力势能,作为一种统计观测距离函数,近年来得到了越来越广泛的应用,文章将其用于聚类算法研究。能量距离函数定义为组间组内对象的指数距离之差,将传统的Ward最小离差平方和法(指数为2)进行了推广。组间组内距离统计量决定了聚类算法的超度量性和空间扩张性,指数小于2的情形还具有统计一致性。推广后的Ward聚类算法能够区分具有几乎相同重心的类,是该方法相比传统聚类算法的优势所在,最后通过实验验证上述结论。

ε1-距离聚类算法研究Ward聚类算法的推广

本文基于统计观测样本距离函数研究聚类算法.通过定义观测样本距离为组间组内对象的任意指数形式距离之差,引入ε1-距离算法（指数为1）,由此传统的Ward最小方差法（指数为2）进行了推广.该算法具有超度量性和空间扩张性.在分类问题应用中,相比传统聚类算法,该算法能够把具有几乎相同重心的高维样本数据给区分开来.