多代表点自约束的模糊迁移聚类
秦军1(),张远鹏1,2,*(),蒋亦樟2,杭文龙31. 南通大学医学信息学系, 江苏 南通 226001
2. 江南大学数字媒体学院, 江苏 无锡 214122
3. 南京工业大学计算机科学与技术学院, 江苏 南京 211816
收稿日期:
2018-10-29出版日期:
2019-04-20发布日期:
2019-04-19通讯作者:
张远鹏E-mail:2432533512@qq.com;155297131@qq.com作者简介:
秦军(1996—),男,江苏泰州人,硕士研究生,主要研究方向为人工智能与模式识别.E-mail:基金资助:
国家自然科学基金资助项目(81701793);南通市科技计划资助项目(MS12017016-2);江苏省社会科学基金资助项(18YSC009)Transfer fuzzy clustering based on self-constraint of multiple medoids
Jun QIN1(),Yuanpeng ZHANG1,2,*(),Yizhang JIANG2,Wenlong HANG31. Department of Medical Informatics, Nantong University, Nantong 226001, Jiangsu, China
2. School of Digital Media, Jiangnan University, Wuxi 214122, Jiangsu, China
3. School of Computer Science and Technology, Nanjing Tech University, Nanjing 211816, Jiangsu, China
Received:
2018-10-29Online:
2019-04-20Published:
2019-04-19Contact:
Yuanpeng ZHANG E-mail:2432533512@qq.com;155297131@qq.comSupported by:
国家自然科学基金资助项目(81701793);南通市科技计划资助项目(MS12017016-2);江苏省社会科学基金资助项(18YSC009)摘要/Abstract
摘要: 以往建立在模糊C均值(fuzzyC-means, FCM)框架下利用源域虚拟簇中心作为迁移知识的迁移聚类算法容易受到离群点和噪声的干扰,且单个簇中心不足以描述簇结构。针对此问题,提出多代表点自约束的模糊迁移聚类算法,该算法引入样本代表权重机制为簇中每个样本分配代表权重来刻画簇结构,这种机制能更好的刻画簇结构,对离群点和噪声有较好的抑制作用;同时利用源域样本,重构目标域簇结构,并以此作为迁移知识进行目标域样本聚类,相对于利用单中心作为迁移知识来说,整体重构后的目标域簇结构所包含的迁移知识量更为丰富。试验结果表明。在人工数据集和真实数据集上,所提出的聚类算法相比对比算法, NMI和ARI最高提升了0.674 5和0.608 4。说明在迁移环境下,以代表点自约束作为知识迁移规则,所提出的聚类算法具有一定的聚类效果。
PDF全文下载地址:
http://gxbwk.njournal.sdu.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=1817