資源描述：
《協(xié)同極大熵聚類算法.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在應(yīng)用文檔-天天文庫(kù)。
1、第3l卷第5期計(jì)算機(jī)應(yīng)用與軟件Vo1．31No．52014年5月ComputerApplicationsandSoftwareMav2014協(xié)同極大熵聚類算法江森林(無錫職業(yè)技術(shù)學(xué)院物聯(lián)網(wǎng)分院江蘇無錫214121)摘要極大熵聚類算法(MEC)是基于信息論的新型聚類算法。以不同子集之間的協(xié)同關(guān)系為出發(fā)點(diǎn)，與信息理論中的極大熵原理相結(jié)合，通過構(gòu)造新的極大熵目標(biāo)函數(shù)來改變傳統(tǒng)聚類算法中對(duì)整個(gè)數(shù)據(jù)集直接聚類的機(jī)制。提出一種基于協(xié)同的極大熵聚類算法CMEC，它不僅具有較MEC算法更高的聚類精度和更好的泛化性等特點(diǎn)，
2、較之協(xié)同模糊聚類算法還具有更好的物理意義。實(shí)驗(yàn)結(jié)果表明所提出的CMEC算法具有上述優(yōu)點(diǎn)，其聚類效果比傳統(tǒng)的聚類算法有了很大的提高。關(guān)鍵詞聚類算法極大熵協(xié)同系數(shù)協(xié)同的極大熵中圖分類號(hào)TP311文獻(xiàn)標(biāo)識(shí)碼A，DOI：10．3969／j．issn．1000—386x．2014．05．068CoLLABoRATIVELYMAXIMUMENTRoPYCLUSTERINGALGoRITHMJiangSenlin(Collegeof~ternetofThings，WuxiInstituteofTechnology，Wu
3、xi214121，flangsu，China)AbstractMaximumentropyclusteringalgorithm(MEC)isanewclusteringalgorithmbasedoninformationtheory．Inthispaper，consideringthecollaborationrelationbetweendifferentsubsetsasthestartingpointandcombiningtheMECprincipleininformationtheory，w
4、echangethemechanismofclusteringdirectlyonentiredatasetintraditionalclusteringalgorithmbyconstructinganovelmaximumentropyobjectivefunction．Weproposeacollaboration—basedmaximumentropyclustering(CMEC)．Ithasthecharacteristicsofhigherclusteringaccuracyandbette
5、rgeneralisationthanMECalgorithm，andhasbetterphysicalsensecomparedwithcollaborativefuzzyclusteringalgorithm．ExperimentalresultsshowthattheproposedCMECalgorithmhastheaboveadvantages，ithassignificantimprovementinclusteringeffectthanthetraditionalclusteringal
6、gorithm．KeywordsClusteringalgorithmMaximumentropyCollaborativecoefficientCollaborativelymaximumentropy子集之間的協(xié)同作用，有效提高了MEC的聚類精度和泛化性0引言能。另一方面，在協(xié)同部分，本文在協(xié)同目標(biāo)函數(shù)的最后一項(xiàng)即全局項(xiàng)中，不僅考慮使得各個(gè)子集的隸屬度盡可能的接近，還從聚類分析的目的是尋找數(shù)據(jù)集里的“自然分組”，即所每個(gè)樣本到各自聚類中心的距離人手，使得每個(gè)子集中，各個(gè)樣謂的“簇”。通俗地說，簇就是指
7、相似元素的集合。當(dāng)前，聚類本到各自中心的聚類盡可能地接近，從而改進(jìn)了原協(xié)同目標(biāo)函分析作為一種高效的數(shù)據(jù)挖掘工具，已經(jīng)被廣泛地應(yīng)用到模式數(shù)表達(dá)，使得目標(biāo)函數(shù)前后的數(shù)量級(jí)保持了一致。通過UCI標(biāo)識(shí)別、數(shù)據(jù)分析、圖像處理以及市場(chǎng)研究等領(lǐng)域。準(zhǔn)數(shù)據(jù)集與模擬數(shù)據(jù)集實(shí)驗(yàn)均表明，CMEC算法確實(shí)具有更好信息熵作為一種新的理論工具，近年來已經(jīng)被成功地應(yīng)用的聚類性能。于聚類分析的研究工作中。由Mukaidono等人提出的極大熵聚類算法MEC_3是其典型代表。與其他聚類算法的不同在于，它1相關(guān)工作將信息熵引入目標(biāo)函數(shù)中，從而
8、對(duì)數(shù)據(jù)進(jìn)行無監(jiān)督學(xué)習(xí)。為了進(jìn)一步拓展信息熵在聚類分析中的應(yīng)用，學(xué)術(shù)界基于極大熵聚給定數(shù)據(jù)集X=Ii=1，2，?，Ⅳ}，∈R，聚類數(shù)目為C，類原理又從不同角度提出了許多改進(jìn)算法。。為協(xié)同系數(shù)，為極大熵中的系數(shù)，聚類中心為V=Ii=1，在實(shí)際應(yīng)用中，數(shù)據(jù)子集之間通常有協(xié)同作用，協(xié)同作用指2，?，C}，其中為第i個(gè)聚類中心，隸屬度矩陣U={UIi=1，元素對(duì)元素的相干能力，表現(xiàn)了元素在整體發(fā)展運(yùn)行過程中協(xié)2，?，C；j=1，2，?，
