主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2019年第10期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
陈黎飞,郭躬德,姜青山.自适应的软子空间聚类算法.软件学报,2010,21(10):2513-2523
自适应的软子空间聚类算法
Adaptive Algorithm for Soft Subspace Clustering
投稿时间:2009-04-24  修订日期:2009-10-19
DOI:
中文关键词:  聚类  高维数据  子空间  特征加权  自适应性
英文关键词:clustering  high dimensional data  subspace  feature weighting  adaptability
基金项目:Supported by the National Natural Science Foundation of China under Grant No.10771176 (国家自然科学基金); the Fujian Provincial Natural Science Foundation of China under Grant No.2009J01273 (福建省自然科学基金); the Scientific Research Foundation for the Returned Overseas Chinese Scholars, Ministry of Education of China under Grant No.[2008]890 (国家教育部留学回国人员科研启动基金); the Key Scientific Research Project of the Higher Education Institutions of Fujian Province of China under Grant No.JK2009006 (福建省省属高校科研专项重点项目)
作者单位
陈黎飞 福建师范大学 数学与计算机科学学院,福建 福州 350108 
郭躬德 福建师范大学 数学与计算机科学学院,福建 福州 350108 
姜青山 厦门大学 软件学院,福建 厦门 361005 
摘要点击次数: 3705
全文下载次数: 4651
中文摘要:
      软子空间聚类是高维数据分析的一种重要手段.现有算法通常需要用户事先设置一些全局的关键参数,且没有考虑子空间的优化.提出了一个新的软子空间聚类优化目标函数,在最小化子空间簇类的簇内紧凑度的同时,最大化每个簇类所在的投影子空间.通过推导得到一种新的局部特征加权方式,以此为基础提出一种自适应的k-means型软子空间聚类算法.该算法在聚类过程中根据数据集及其划分的信息,动态地计算最优的算法参数.在实际应用和合成数据集上的实验结果表明,该算法大幅度提高了聚类精度和聚类结果的稳定性.
英文摘要:
      Soft subspace clustering is a key for high-dimensional data analysis. The existing algorithms usually require users to estimate some key global parameters in advance, and ignore the optimization of subspaces. A novel objective function, to be optimized by the soft subspace clustering algorithms, is proposed in this paper by taking into account both minimization of the compact subspace clusters and maximization of the subspaces in which the clusters exist. Based on this, a new locally feature weighting scheme is derived, and an adaptive algorithm for k-means type soft subspace clustering is presented. In the new algorithm, the optimal values of parameter are automatically computed, according with the dataset and its partitions. Experimental results carried out on some real-world and synthesis datasets demonstrate that the proposed method significantly improves the accuracy as well as the stability of the clustering results.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利