發(fā)布時間：2025-01-04 07:57

　　 機器學(xué)習(xí)的無監(jiān)督聚類算法已被廣泛應(yīng)用于各種目標(biāo)識別任務(wù)�；诿芏确逯档目焖偎阉骶垲愃惴�(DPC)能快速有效地確定聚類中心點和類個數(shù),但在處理復(fù)雜分布形狀的數(shù)據(jù)和高維圖像數(shù)據(jù)時仍存在聚類中心點不容易確定、類數(shù)偏少等問題。為了提高其處理復(fù)雜高維數(shù)據(jù)的魯棒性,文中提出了一種基于學(xué)習(xí)特征表示的密度峰值快速搜索聚類算法(AE-MDPC)。該算法采用無監(jiān)督的自動編碼器(AutoEncoder)學(xué)出數(shù)據(jù)的最優(yōu)特征表示,結(jié)合能刻畫數(shù)據(jù)全局一致性的流形相似性,提高了同類數(shù)據(jù)間的緊致性和不同類數(shù)據(jù)間的分離性,促使?jié)撛陬愔行狞c的密度值成為局部最大。在4個人工數(shù)據(jù)集和4個真實圖像數(shù)據(jù)集上將AE-MDPC與經(jīng)典的K-means,DBSCAN,DPC算法以及結(jié)合了PCA的DPC算法進行比較。實驗結(jié)果表明,在外部評價指標(biāo)聚類精度、內(nèi)部評價指標(biāo)調(diào)整互信息和調(diào)整蘭德指數(shù)上,AE-MDPC的聚類性能優(yōu)于對比算法,而且提供了更好的可視化性能�？傊�,基于特征表示學(xué)習(xí)且結(jié)合流形距離的AE-MDPC算法能有效地處理復(fù)雜流形數(shù)據(jù)和高維圖像數(shù)據(jù)。

【文章頁數(shù)】：8 頁

【部分圖文】：

圖2 基于自動編碼器的圖像聚類框架

圖像通常是高維數(shù)據(jù),圖像的分辨率決定其維度,像素特征很難表示出同類圖像的相似性和不同類圖像的差異性。因此,聚類圖像數(shù)據(jù)的技術(shù)點包括圖像數(shù)據(jù)的降維和特征抽取/表示。近年來,大量研究表明深層網(wǎng)絡(luò)可以從數(shù)據(jù)中自動學(xué)習(xí)到更好的特征表示[24]。但是,隨著網(wǎng)絡(luò)層數(shù)的增多,基于BP算法的訓(xùn)練....

圖1 DPC算法在Flame上的聚類中間結(jié)果和最終結(jié)果

圖1展示了DPC算法在Flame數(shù)據(jù)集上的聚類中間結(jié)果和最終結(jié)果，可以看出聚類效果并不理想。由于Flame形狀特殊，中間部分較緊湊地分布成圓形的點屬于一類（花），向左右延伸較遠的點屬于另一類（葉子）。當(dāng)設(shè)置dc為所有樣本點對的歐氏距離（從小到大排序后）的2%位置值時，聚類先按照正....

圖7 3種算法在CAS-PEAL-R1數(shù)據(jù)集上的聚類結(jié)果

表33種聚類算法在3個人臉數(shù)據(jù)集上的性能對比Table3ClusteringperformancecomparisonofthreealgorithmsonthreefacedatasetsAlgorithmBioIDCAS-PEAL-R1IMM....

圖3 4種算法在R15數(shù)據(jù)集上的聚類結(jié)果

本組實驗分別在Path-based2,Jain,Flame和R15這4個人工數(shù)據(jù)集上進行,主要檢驗基于流形距離的MDPC算法的聚類性能,結(jié)果如圖3所示。從圖3中可以看出,這4種算法都提供了很好的聚類可視化結(jié)果,其中K-means,DPC和MDPC算法的ACC,AMI和ARI都為1....

本文編號：4023145