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8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
公茂果,王爽,马萌,曹宇,焦李成,马文萍.复杂分布数据的二阶段聚类算法.软件学报,2011,22(11):2760-2772
复杂分布数据的二阶段聚类算法
Two-Phase Clustering Algorithm for Complex Distributed Data
投稿时间:2009-07-01  修订日期:2010-03-04
DOI:10.3724/SP.J.1001.2011.03903
中文关键词:  数据挖掘  聚类  K-均值算法  进化算法  流形
英文关键词:data mining  clustering  K-means algorithm  evolutionary algorithm  manifold
基金项目:国家高技术研究发展计划(863)(2009AA12Z210); 新世纪优秀人才支持计划(NCET-08-0811); 陕西省科技新星支持计划(2010KJXX-03); 中央高校基本科研业务费重点项目(K50510020001)
作者单位E-mail
公茂果 西安电子科技大学 智能感知与图像理解教育部重点实验室,陕西 西安 710071
西安电子科技大学 智能信息处理研究所,陕西 西安 710071 
gong@ieee.org 
王爽 西安电子科技大学 智能感知与图像理解教育部重点实验室,陕西 西安 710071
西安电子科技大学 智能信息处理研究所,陕西 西安 710071 
 
马萌 西安电子科技大学 智能感知与图像理解教育部重点实验室,陕西 西安 710071
西安电子科技大学 智能信息处理研究所,陕西 西安 710071 
 
曹宇 西安电子科技大学 智能感知与图像理解教育部重点实验室,陕西 西安 710071
西安电子科技大学 智能信息处理研究所,陕西 西安 710071 
 
焦李成 西安电子科技大学 智能感知与图像理解教育部重点实验室,陕西 西安 710071
西安电子科技大学 智能信息处理研究所,陕西 西安 710071 
 
马文萍 西安电子科技大学 智能感知与图像理解教育部重点实验室,陕西 西安 710071
西安电子科技大学 智能信息处理研究所,陕西 西安 710071 
 
摘要点击次数: 3235
全文下载次数: 4313
中文摘要:
      提出了一种用于复杂分布数据的二阶段聚类算法(two-phase clustering,简称TPC),TPC 包含两个阶段:首先将数据划分为若干个球形分布的子类,每一个子类用其聚类中心代表该类内的所有样本;然后利用可以处理复杂分布数据的流形进化聚类(manifold evolutionary clustering,简称MEC)对第1 阶段得到的聚类中心进行类别划分;最后综合两次聚类结果整理得到最终聚类结果.该算法基于改进的K-均值算法和MEC 算法.在进化聚类算法的基础上引入流形距离,使得算法能够胜任复杂分布的数据聚类问题.同时,算法降低了引入流形距离所带来的计算量.在分布各异的7 个人工数据集和7 个UCI 数据集测试了二阶段聚类算法,并将其效果与遗传聚类算法、K 均值算法和流形进化聚类算法做了比较.实验结果表明,无论对于简单或复杂、凸或非凸的数据,TPC 都表现出良好的聚类性能,并且计算时间与MEC 相比明显减少.
英文摘要:
      In this paper, a Two-Phase Clustering (TPC) for the data sets with complex distribution is proposed. TPC contains two phases. First, the data set is partitioned into some sub-clusters with spherical distribution, and each clustering center represents all the members of its corresponding cluster. Then, by utilizing the outstanding clustering performance of the Manifold Evolutionary Clustering (MEC) for acomplex distributed data, the clustering centers obtained in the first phase are clustered. Finally, based on these two clustering results, the final results are obtained. This algorithm is based on an improved K-means, and the MEC. Manifold distance is introduced in evolutionary clustering to make the algorithm competent for the clustering of complex data sets. At the same time, the novel method reduces the computational cost brought by manifold distance. Experimental results on seven artificial data sets and seven UCI data sets with different structure show that the novel algorithm has the ability to identify clusters with simple or complex, convex, or non-convex distribution efficiently, compared with the genetic algorithm-based clustering, the K-means algorithm, and the manifold evolutionary clustering. Furthermore, TPC outperforms MEC obviously in terms of computational time.
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