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:2018年第12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
朱林,雷景生,毕忠勤,杨杰.一种基于数据流的软子空间聚类算法.软件学报,2013,24(11):2610-2627
一种基于数据流的软子空间聚类算法
Soft Subspace Clustering Algorithm for Streaming Data
投稿时间:2013-03-18  修订日期:2013-08-02
DOI:10.3724/SP.J.1001.2013.04469
中文关键词:  子空间聚类  数据流聚类  可扩展聚类  模糊聚类  文本聚类
英文关键词:subspace clustering  data stream clustering  scalable clustering  fuzzy clustering  document clustering
基金项目:国家自然科学基金(61273258,61272437,61073189);上海市自然科学基金(13ZR1417500);上海市教育委员会科研创新项目(14YZ131)
作者单位E-mail
朱林 上海电力学院 计算机科学与技术学院, 上海 200090
上海交通大学 图像处理与模式识别研究所, 上海 200240 
cslinzhu@gmail.com 
雷景生 上海电力学院 计算机科学与技术学院, 上海 200090  
毕忠勤 上海电力学院 计算机科学与技术学院, 上海 200090  
杨杰 上海交通大学 图像处理与模式识别研究所, 上海 200240  
摘要点击次数: 3287
全文下载次数: 2626
中文摘要:
      针对高维数据的聚类研究表明,样本在不同数据簇往往与某些特定的数据特征子集相对应.因此,子空间聚类技术越来越受到关注.然而,现有的软子空间聚类算法都是基于批处理技术的聚类算法,不能很好地应用于高维数据流或大规模数据的聚类研究中.为此,利用模糊可扩展聚类框架,与熵加权软子空间聚类算法相结合,提出了一种有效的熵加权流数据软子空间聚类算法——EWSSC(entropy-weighting streaming subspace clustering).该算法不仅保留了传统软子空间聚类算法的特性,而且利用了模糊可扩展聚类策略,将软子空间聚类算法应用于流数据的聚类分析中.实验结果表明,EWSSC 算法对于高维数据流可以得到与批处理软子空间聚类方法近似一致的实验结果.
英文摘要:
      A key challenge to most conventional clustering algorithms in handling many real life problems is that data points in different clusters are often correlated with different subsets of features. To address this problem, subspace clustering has attracted increasing attention in recent years. However, the existing subspace clustering methods cannot be effectively applied to large-scale high dimensional data and data streams. In this study, the scalable clustering technique to subspace clustering is extend to form soft subspace clustering for streaming data. An entropy-weighting streaming subspace clustering algorithm, EWSSC is proposed. This method leverages on the effectiveness of fuzzy scalable clustering method for streaming data by revealing the important local subspace characteristics of high dimensional data. Substantial experimental results on both artificial and real-world datasets demonstrate that EWSSC is generally effective in clustering high dimensional streaming data.
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
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