拉普拉斯加權聚類算法的研究.pdf

1、聚類分析有著十分廣泛的應用，一直是模式識別、數(shù)據(jù)挖掘、圖像處理等領域的研究熱點之一?，F(xiàn)有的大多數(shù)聚類算法都隱含假定待分析樣本的貢獻及其各維特征對聚類的貢獻均勻，然而，實際中不同樣本和樣本的不同維度對聚類過程有著不同的影響。本文針對樣本的不均勻貢獻，借鑒流形學習中利用數(shù)據(jù)結構信息的方法，提出了一種拉普拉斯加權聚類算法。隨后，對其權值進行優(yōu)化處理，并將其與半監(jiān)督聚類的思想結合起來。最后，將隸屬度約束及半監(jiān)督約束形式引入到該算法中，并應用于圖

2、像分割。 本文主要的創(chuàng)新和研究工作總結如下：
　　 (1）在傳統(tǒng)C-均值和模糊C-均值的基礎上，通過引入能夠表示樣本鄰域信息的權系數(shù)矩陣，提出了一種拉普拉斯加權聚類算法，在人工數(shù)據(jù)集和國際標準數(shù)據(jù)集上的實驗結果驗證了所提方法的有效性。
　　 (2）對所提出的拉普拉斯加權聚類算法的參數(shù)進行優(yōu)化選擇，提出了一種自適應的參數(shù)選擇方法，該方法能構建更加符合數(shù)據(jù)集結構信息的權系數(shù)矩陣，增強了算法的魯棒性。
　　 (3）在拉