基于混合距离学习的双指数模糊C均值算法

被引：23

作者：

王骏 ^{[1
,2
,3
]}

王士同 ^{[2
,3
]}

机构：

[1] 南京理工大学计算机科学与技术学院

[2] 江南大学信息工程学院

[3] 不详

来源：

软件学报 | 2010年 / 21卷 / 08期

关键词：

距离学习; 聚类; 模糊C均值算法; 混合距离; Steffensen迭代法;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

摘要：

提出了一种基于DI-FCM(double indices fuzzy C-means)算法框架的无监督距离学习算法——基于混合距离学习的双指数模糊C均值算法HDDI-FCM(double indices fuzzy C-m eans with hybrid distance).数据集未知距离度量被表示为若干已有距离的线性组合,然后执行HDDI-FCM,在对数据集进行有效聚类的同时进行距离学习.为了保证迭代算法收敛,引入了Steffensen迭代法来改进计算簇中心点的迭代公式.讨论了算法中参数的选择.基于UCI(University of California,Irvine)数据集的实验结果表明该算法是有效的.

引用

页码：1878 / 1888

页数：11

共 4 条

[1] 模糊聚类理论发展及应用的研究进展 [J].

高新波 ;

谢维信 ;

不详 .

科学通报 , 1999, (21) :2241-2251

[2]

Improving fuzzy clustering of biological data by metric learning with side information[J] . Michele Ceccarelli,Antonio Maratea.International Journal of Approximate Reasoning . 2007 (1)

[3] Improving fuzzy c-means clustering based on feature-weight learning [J].

Wang, XZ ;

Wang, YD ;

Wang, LJ .

PATTERN RECOGNITION LETTERS, 2004, 25 (10) :1123-1132

[4] Alternative c-means clustering algorithms [J].

Wu, KL ;

Yang, MS .

PATTERN RECOGNITION, 2002, 35 (10) :2267-2278

← 1 →