【摘要】：聚類分析是數(shù)據(jù)挖掘領(lǐng)域的重要組成部分之一,而度量學(xué)習(xí)是聚類分析中的關(guān)鍵性步驟。傳統(tǒng)聚類算法中通常使用歐氏距離進(jìn)行距離度量,但是歐氏距離只關(guān)注兩兩樣本之間的距離關(guān)系,并沒(méi)有顧及數(shù)據(jù)的全局性分布結(jié)構(gòu)。考慮到數(shù)據(jù)的全局性結(jié)構(gòu)信息,提出了一種新的具有全局性的度量方法——有效距離度量(effective distance metric),其主要思想是通過(guò)稀疏重構(gòu)的方法計(jì)算數(shù)據(jù)樣本之間的有效距離。進(jìn)一步地,將有效距離應(yīng)用到K-means、K-medoids和FCM(fuzzy C-means)3種經(jīng)典聚類算法中開(kāi)發(fā)了3種基于有效距離的聚類算法,即EK-means,EK-medoids和EFCM聚類算法。通過(guò)與傳統(tǒng)聚類算法在UCI標(biāo)準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果進(jìn)行比較,驗(yàn)證了基于有效距離的聚類算法能顯著提高聚類效果。
[Abstract]:Clustering analysis is an important part of data mining, and metric learning is a key step in clustering analysis. Euclidean distance is usually used for distance measurement in traditional clustering algorithms, but Euclidean distance only concerns the distance relationship between pairwise samples and does not take into account the global distribution structure of data. Considering the global structural information of data, a new global metric, effective distance metric (effective distance metric), is proposed. The main idea is to calculate the effective distance between data samples by sparse reconstruction. Furthermore, three effective distance based clustering algorithms, EK-means,EK-medoids and EFCM, are developed by applying effective distance to K-medoids and FCM (fuzzy C-means). Compared with the experimental results of the traditional clustering algorithm on the UCI standard data set, it is proved that the clustering algorithm based on the effective distance can improve the clustering effect significantly.
【作者單位】： 南京航空航天大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院;泰山學(xué)院信息科學(xué)技術(shù)學(xué)院;
【基金】：國(guó)家自然科學(xué)基金Nos.61422204,61473149 南京航空航天大學(xué)研究生創(chuàng)新實(shí)驗(yàn)室開(kāi)放基金No.kfjj20151605~~
【分類號(hào)】：TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李健森;白萬(wàn)民;;一種改進(jìn)的距離度量的聚類算法[J];電子設(shè)計(jì)工程;2012年22期

2 李凡,饒勇,盧安;一種新的基于距離度量的近似推理方法[J];華中科技大學(xué)學(xué)報(bào);2001年03期

3 呂清秀;李弼程;高毫林;;采用概率密度比值估計(jì)的距離度量學(xué)習(xí)[J];信號(hào)處理;2013年05期

4 鄒朋成;王建東;楊國(guó)慶;張霞;王麗娜;;輔助信息自動(dòng)生成的時(shí)間序列距離度量學(xué)習(xí)[J];軟件學(xué)報(bào);2013年11期

5 毛紅保;馮卉;楊建華;劉亞軍;;面向相似性查詢的時(shí)間序列距離度量方法述評(píng)[J];計(jì)算機(jī)工程與設(shè)計(jì);2010年19期

6 馬永軍,方凱,王定成,方廷健,陳衛(wèi);基于支持向量機(jī)和距離度量的管道內(nèi)表面圖像分類方法研究[J];數(shù)據(jù)采集與處理;2002年02期

7 蘭遠(yuǎn)東;高蕾;;基于圖的半監(jiān)督學(xué)習(xí)的距離度量改進(jìn)[J];智能計(jì)算機(jī)與應(yīng)用;2014年02期

8 陳東成;朱明;賀柏根;楊文波;;特征壓縮在線距離度量學(xué)習(xí)跟蹤[J];光電子.激光;2014年08期

9 張亮;張鳳鳴;杜純;;復(fù)雜裝備健康狀態(tài)評(píng)估的粗糙核距離度量方法[J];計(jì)算機(jī)工程與設(shè)計(jì);2009年18期

10 梁吉業(yè);白亮;曹付元;;基于新的距離度量的K-Modes聚類算法[J];計(jì)算機(jī)研究與發(fā)展;2010年10期

相關(guān)博士學(xué)位論文 前4條

1 馬連洋;跨攝像機(jī)行人再標(biāo)識(shí)研究[D];上海交通大學(xué);2014年

2 李超群;名詞性屬性距離度量問(wèn)題及其應(yīng)用研究[D];中國(guó)地質(zhì)大學(xué);2012年

3 江南;自適應(yīng)距離度量及穩(wěn)健視頻運(yùn)動(dòng)分析[D];華中科技大學(xué);2011年

4 鄭小琪;生物分子數(shù)據(jù)的距離度量及其應(yīng)用[D];大連理工大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 羅長(zhǎng)春;基于三元組約束的距離度量學(xué)習(xí)方法研究[D];哈爾濱工業(yè)大學(xué);2015年

2 陳琪;基于SIFT特征和距離度量學(xué)習(xí)的圖像檢索方法[D];電子科技大學(xué);2015年

3 雷鵬;軌跡聚類中距離度量與聚類方法的研究[D];蘭州大學(xué);2015年

4 范順國(guó);MDP距離度量在強(qiáng)化學(xué)習(xí)遷移中的應(yīng)用[D];南京大學(xué);2014年

5 楊鈺源;基于度量學(xué)習(xí)和深度學(xué)習(xí)的行人重識(shí)別研究[D];重慶大學(xué);2016年

6 劉江濤;距離度量學(xué)習(xí)中的類別不平衡問(wèn)題研究[D];東南大學(xué);2016年

7 呂清秀;圖像距離度量學(xué)習(xí)技術(shù)研究[D];解放軍信息工程大學(xué);2013年

8 陳巧娜;距離度量學(xué)習(xí)的理論與算法研究：核回歸、大間隔最近鄰與Fisher線性判別[D];華東師范大學(xué);2010年

9 彭凱;基于距離度量學(xué)習(xí)的文本分類研究[D];上海交通大學(xué);2013年

10 張磊;基于執(zhí)行距離度量的軟件調(diào)試與測(cè)試優(yōu)化技術(shù)研究[D];南京航空航天大學(xué);2013年

，

本文編號(hào)：2341126