检索结果-南通市图书馆

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

融合局部结构学习的大规模子空间聚类算法

计算机应用 2023年第12期43卷 3747-3754页

作者：任奇泽贾洪杰陈东宇江苏大学计算机科学与通信工程学院江苏镇江212013

常规的大规模子空间聚类算法在计算锚点亲和矩阵时忽略了数据之间普遍存在的局部结构,且在计算拉普拉斯(Laplacian)矩阵的近似特征向量时存在较大误差,不利于数据聚类。针对上述问题,提出一种融合局部结构学习的大规模子空间聚类算法(LL... 详细信息

常规的大规模子空间聚类算法在计算锚点亲和矩阵时忽略了数据之间普遍存在的局部结构,且在计算拉普拉斯(Laplacian)矩阵的近似特征向量时存在较大误差,不利于数据聚类。针对上述问题,提出一种融合局部结构学习的大规模子空间聚类算法(LLSC)。所提算法将局部结构学习嵌入锚点亲和矩阵的学习,从而能够综合利用全局和局部信息挖掘数据的子空间结构;此外,受非负矩阵分解(NMF)的启发,设计一种迭代优化方法以简化锚点亲和矩阵的求解过程;其次,根据Nystr?m近似方法建立锚点亲和矩阵与Laplacian矩阵的数学联系,并改进Laplacian矩阵特征向量的计算方法以提升聚类性能。相较于LMVSC(Large-scale Multi-View Subspace Clustering)、SLSR(Scalable Least Square Regression)、LSC-k(Landmark-based Spectral Clustering using k-means)和k-FSC(k-Factorization Subspace Clustering),LLSC在4个广泛使用的大规模数据集上显示出明显的提升,其中,在Pokerhand数据集上,LLSC的准确率比k-FSC高28.18个百分点,验证了LLSC的有效性。

关键词：子空间聚类局部结构学习非负矩阵分解大规模聚类低秩近似

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于加权锚点的多视图聚类算法

自动化学报 2024年第6期50卷 1160-1170页

作者：刘溯源王思为唐厂周思航王思齐刘新旺国防科技大学计算机学院长沙410073 中国地质大学计算机学院武汉430074 国防科技大学智能科学学院长沙410073 国防科技大学计算机学院高性能计算国家重点实验室长沙410073

大规模多视图聚类旨在解决传统多视图聚类算法中计算速度慢、空间复杂度高,以致无法扩展到大规模数据的问题.其中,基于锚点的多视图聚类方法通过使用整体数据集合的锚点集构建后者对于前者的重构矩阵,利用重构矩阵进行聚类,有效地降低... 详细信息

大规模多视图聚类旨在解决传统多视图聚类算法中计算速度慢、空间复杂度高,以致无法扩展到大规模数据的问题.其中,基于锚点的多视图聚类方法通过使用整体数据集合的锚点集构建后者对于前者的重构矩阵,利用重构矩阵进行聚类,有效地降低了算法的时间和空间复杂度.然而,现有的方法忽视了锚点之间的差异,均等地看待所有锚点,导致聚类结果受到低质量锚点的限制.为定位更具有判别性的锚点,加强高质量锚点对聚类的影响,提出一种基于加权锚点的大规模多视图聚类算法(Multi-view clustering with weighted anchors,MVC-WA).通过引入自适应锚点加权机制,所提方法在统一框架下确定锚点的权重,进行锚图的构建.同时,为增加锚点的多样性,根据锚点之间的相似度进一步调整锚点的权重.在9个基准数据集上与现有最先进的大规模多视图聚类算法的对比实验结果验证了所提方法的高效性与有效性.

关键词：多视图聚类大规模聚类锚点权重学习

维普期刊数据库博看期刊

在线全文

学校读者我要写书评

暂无评论

k近邻密度支配域代表团密度峰值聚类算法

计算机工程与应用 2023年第24期59卷 78-87页

作者：吕鸿章杨易扬杨戈平巩志国广东工业大学计算机学院广州510006 澳门大学计算机与信息科学系中国澳门999078

密度峰值聚类(clustering by fast search and find of density peaks,DPC)算法在应对大规模聚类时效率不高。k近邻密度支配域小团簇加速技巧可以很好地改善该短板,但存在代表点代表能力不足的问题,从而影响聚类质量。代表团采样策略可... 详细信息

密度峰值聚类(clustering by fast search and find of density peaks,DPC)算法在应对大规模聚类时效率不高。k近邻密度支配域小团簇加速技巧可以很好地改善该短板,但存在代表点代表能力不足的问题,从而影响聚类质量。代表团采样策略可作为上述问题的改进方式。由此形成的新算法不仅继承了原有密度支配域小团簇加速技巧的高效特性,还保证了聚类的质量。算法构建k近邻图。再利用k近邻图进行核密度估计并构建若干个密度支配域。对各密度支配域分别从高低密度区域采样支配域代表团。利用代表团的近邻关系计算域间相似度。将各支配域视为新样本点,执行DPC算法完成聚类。实验证明,引入代表团策略对DPC算法有一定的提升,聚类效果比部分密度聚类算法更好。

关键词：密度峰值聚类 k近邻图密度支配域代表团策略大规模聚类

维普期刊数据库

基于局部图扩散的聚类算法在图像检索中的应用

在线全文

学校读者我要写书评

暂无评论

武警工程大学学报 2018年第2期34卷 18-22页

作者：郑利红刘昀铮武警工程大学信息工程学院西安710086

针对基于内容的图像检索问题，提出了一种基于局部图扩散的大规模聚类算法。所提算法不需要通过迭代便可得到聚类中心，同时主要计算操作可以并行处理，因此可以对大规模数据进行聚类。此外，与其他聚类方法（如k-均值和光谱聚类）相比... 详细信息

针对基于内容的图像检索问题，提出了一种基于局部图扩散的大规模聚类算法。所提算法不需要通过迭代便可得到聚类中心，同时主要计算操作可以并行处理，因此可以对大规模数据进行聚类。此外，与其他聚类方法（如k-均值和光谱聚类）相比，此聚类方法不需要预先确定聚类数目，时间复杂度也与聚类数目无关。在公开图像检索数据集上对所提算法进行了测试，实验结果表明其性能优于其他聚类算法。

关键词：图像检索局部图扩散大规模聚类