基于路徑相似度測(cè)量的譜聚類算法研究.pdf

1、聚類作為一種重要的數(shù)據(jù)分析手段,是機(jī)器學(xué)習(xí)、模式識(shí)別等領(lǐng)域的研究熱點(diǎn)。聚類的目的是把對(duì)象按照性質(zhì)上的親疏程度分成多個(gè)類或簇,使得簇內(nèi)的數(shù)據(jù)具有較高相似度,簇間的數(shù)據(jù)具有較高的相異度,它不考慮先驗(yàn)知識(shí)或假設(shè),因此是一種無監(jiān)督的學(xué)習(xí)過程。
　　譜聚類算法是近年來廣受關(guān)注的一種高性能計(jì)算方法,與傳統(tǒng)聚類方法相比,具有能在任意形狀的樣本空間上聚類且收斂于全局最優(yōu)解的特點(diǎn),非常適合于解決許多實(shí)際應(yīng)用問題,如計(jì)算機(jī)視覺、圖像分割等。目前,譜聚

2、類算法的研究仍處于初級(jí)階段,還存在許多亟需解決的問題,如算法受高斯核尺度參數(shù)的影響較大,對(duì)噪聲點(diǎn)較為敏感,不能利用先驗(yàn)信息指導(dǎo)聚類過程等。針對(duì)以上問題,提出了一種基于路徑相似度測(cè)量的魯棒性譜聚類算法(Robust Path-Based similarity measurement for Spectral Clustering,RPB-SC),并將此算法擴(kuò)展為半監(jiān)督的形式,以便利用成對(duì)限制先驗(yàn)信息提高聚類性能,相應(yīng)的算法稱為基于路徑相似

3、度測(cè)量的魯棒性半監(jiān)督譜聚類算法(Robust Path-Based similarity measurement for Semi-supervised Spectral Clustering,RPB-SSC)。具體研究內(nèi)容如下:
　　①構(gòu)造相似矩陣。本文將路徑聚類思想引入到譜聚類算法中來,設(shè)計(jì)一種新的相似度測(cè)量函數(shù)。該函數(shù)能夠避免設(shè)置全局的尺度參數(shù),減弱尺度參數(shù)對(duì)聚類結(jié)果的影響,使相似矩陣更加符合聚類假設(shè)。
　?、谒惴敯?/p>

4、性研究。譜聚類算法對(duì)噪聲點(diǎn)較為敏感,根據(jù)對(duì)樣本點(diǎn)鄰域信息的統(tǒng)計(jì)分析,定義了具有魯棒性的鄰域加權(quán)尺度因子,抑制噪聲的影響。
　?、郯氡O(jiān)督譜聚類方法研究。嘗試將成對(duì)限制先驗(yàn)信息引入到譜聚類算法中,并將樣本層面上的有限的限制信息進(jìn)行空間傳播,指導(dǎo)聚類過程。
　　④譜聚類算法在圖像分割中的應(yīng)用研究。提出基于本文改進(jìn)算法的彩色圖像分割方法框架,實(shí)現(xiàn)對(duì)包含噪聲的圖像分割,并利用先驗(yàn)信息指導(dǎo)分割過程。
　　為驗(yàn)證算法的有效性,本文在