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
2020-2021年专刊出版计划 微信服务介绍 最新一期:2020年第6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
蒋亦樟,邓赵红,王骏,钱鹏江,王士同.熵加权多视角协同划分模糊聚类算法.软件学报,2014,25(10):2293-2311
熵加权多视角协同划分模糊聚类算法
Collaborative Partition Multi-View Fuzzy Clustering Algorithm using Entropy Weighting
投稿时间:2012-08-23  修订日期:2013-09-27
DOI:10.13328/j.cnki.jos.004510
中文关键词:  多视角聚类  协同学习  Havrda-Charvat熵  香农熵  模糊C均值聚类
英文关键词:multi-view clustering  collaborative learning  Havrda-Charvat entropy  Shannon entropy  fuzzy C-means
基金项目:国家自然科学基金(61170122,61272210,61202311,61300151);江苏省自然科学基金(BK2009067,BK2012552,BK20130155);中央高校基本科研业务费专项资金(JUSRP21128,JUDCF13030);教育部新世纪优秀人才支持计划(NCET-12-0882);江苏省2013年度普通高校研究生科研创新计划(CXZZ13_0760)
作者单位E-mail
蒋亦樟 江南大学 数字媒体学院, 江苏 无锡 214122  
邓赵红 江南大学 数字媒体学院, 江苏 无锡 214122 dzh666828@aliyun.com 
王骏 江南大学 数字媒体学院, 江苏 无锡 214122  
钱鹏江 江南大学 数字媒体学院, 江苏 无锡 214122  
王士同 江南大学 数字媒体学院, 江苏 无锡 214122  
摘要点击次数: 2623
全文下载次数: 2917
中文摘要:
      当前,基于协同学习机制的多视角聚类技术存在如下两点不足:第一,以往构造的用于各视角协同学习的逼近准则物理含义不明确且控制简单;第二,以往算法均默认各视角的重要性程度是相等的,缺少各视角重要性自适应调整的能力.针对上述不足:首先,基于具有良好物理解释性的Havrda-Charvat熵构造了一个全新的异视角空间划分逼近准则,该准则能有效地控制异视角间的空间划分相似程度;其次,基于香农熵理论提出了多视角自适应加权策略,可有效地控制各视角的重要性程度,提高算法的聚类性能;最后,基于FCM框架提出了熵加权多视角协同划分模糊聚类算法(entropy weight-collaborative partition-multi-view fuzzy clustering algorithm,简称EW-CoP-MVFCM).在模拟数据集以及UCI数据集上的实验结果均显示,所提算法较之已有多视角聚类算法在应对多视角聚类任务时具有更好的适应性.
英文摘要:
      There are two weaknesses of current multi-view clustering technologies based on collaborative learning. Firstly, the approximation-criteria of collaborative learning between each view is not clear for its physical meaning and is too simple to control the approximation-performance. Secondly, the existing algorithms assume that the significance of each view is equal, which is obviously inappropriate from the viewpoint of adaptively adjusting the importance of each view. In order to overcome the above shortcomings, a novel approximation-criteria of cluster partition based on the Havrda-Charvat entropy is proposed to control the similarity of cluster partition between each view. Then, an adaptive weighting strategy for each view based on the theory of Shannon entropy is presented to control the significance of each view and enhance the performance of the clustering algorithm. Finally, the collaborative partition multi-view fuzzy clustering algorithm using entropy weighting (EW-CoP-MVFCM) is provided. As demonstrated by extensive experiments in simulation data and UCI benchmark dataset, the proposed new algorithm shows the better adaptability than the classical algorithms on the multi-view clustering problems.
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