一种新的聚类分析算法

给出了一种新的无监督聚类算法 ,但这种算法并非是基于目标函数的聚类算法 ,而是对数据直接设计一种迭代运算 ,以使数据在保持类特征的情况下进行重新组合最终达到分类的目的 .通过对一类数据的实验表明 ,该算法在无监督给出类数方面具有较好的鲁棒性 ;另外 ,该算法在数据的准确归类、无监督聚类、确定性 ,以及对特殊类分布的适用性等方面均优于 HCM和 FCM算法 .

基于成对约束的半监督聚类方法

成对约束作为半监督学习的一个重要分支,它以无监督的聚类算法为基础,通过利用少量的监督信息来提高聚类的性能。提出了一种基于成对约束的半监督聚类方法,在FCM-NMF聚类算法框架下,采用非负矩阵分解提取样本的本质特征,并且加入成对约束条件指导聚类过程进行模糊聚类。构造出的新的目标函数采用梯度下降法和交替迭代公式来找局部最优解,并在UCI数据集上讨论了成对约束的数量对聚类的影响、价值系数的设置对聚类的影响,并与常见的半监督聚类性能进行了比较,证明了其正确性、有效性、稳定性。