-
题名一种极大中心间隔的核可能性C均值聚类算法
被引量：1
- 1
-
-
作者
于晓瞳
狄岚
彭茜
-
机构
江南大学数字媒体学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2016年第19期184-191,240,共9页
-
基金
江苏省六大人才高峰项目(No.DZXX-028)
江苏省产学研项目(No.BY2014023-33)
江南大学教师卓越工程项目(No.JGC2013145)
-
文摘
传统核可能性C均值(KPCM)算法仅考虑类内的紧密性而忽略了类间的距离关系,在对边界模糊的数据进行聚类分析时,会引起因聚类中心距离小或重合引起的边界点误分问题。为解决上述问题,在核可能性C均值基础上引入高维特征空间中的类间极大惩罚项和调控因子λ,构造了全新的目标函数,称为极大中心间隔的核可能性C均值(MKPCM)聚类算法。该算法通过类间极大惩罚项使类间距离极大化,并利用调控因子λ合理控制类间距,较好地避免了类中心间距离小或重合的现象。通过大量的实验证明,算法对于边界模糊的数据聚类效果优于传统的聚类算法;在图像分割的实际应用中,算法也明显优于传统的聚类算法。
-
关键词
核可能性c均值
边界模糊
类间极大惩罚项
-
Keywords
Kernel Possibilistic c-Means(KPcM)
fuzzy boundary
maximum penalty term between centers
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进核可能性C均值类间极大化聚类算法
被引量：1
- 2
-
-
作者
林嘉炜
祁云嵩
陈晓利
凡甲甲
-
机构
江苏科技大学
-
出处
《现代电子技术》
北大核心
2018年第24期117-120,124,共5页
-
基金
国家自然科学基金项目(61471182)
2017年江苏省研究生实践创新计划(SJCX17_0607)~~
-
文摘
核可能性C均值(KPCM)聚类算法只考虑类内元素之间的关系,而忽略类与类之间的关系,在对边界模糊的数据集进行聚类时会出现聚类中心距离过小甚至出现聚类中心重合的现象。针对上述问题,提出一种基于改进核可能性C均值类间极大化(KMPCM)聚类算法。该算法在核可能性C均值聚类算法上引入高维特征空间的类间极大惩罚项和调控因子λ,构造新的目标函数。这样既可以合理地拉大类中心间距离,较好地避免聚类中心距离过小甚至重合的现象,使得边界处的样本得到了较好的划分,同时也考虑类内元素的关系,保持对噪声点和野值点较好的鲁棒性。通过大量实验证明,改进算法对于边界模糊的数据集的聚类效果明显优于传统聚类算法。
-
关键词
核可能性c均值
边界模糊
聚类算法
类间极大惩罚项
调控因子
类内元素
-
Keywords
kernel possibilitic c-means
fuzzy boundary
clustering algorithm
inter-class maximum penalty term
regu-lating factor
intra-class element
-
分类号
TN919.1-34
[电子电信—通信与信息系统]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
