- 1、本文档共7页,可阅读全部内容。
- 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
谱聚类综述论文--第1页
谱聚类综述论文
谱聚类综述论文
1.引言
聚类分析是数据分析中最常用的方法之一。所谓聚类,就是将数
据点划分为若干个类或簇,使得同一类中的数据点之间具有较高的相
似度,而不同类中的数据点之间具有较高的相异度。传统的聚类算法,
如K-means算法、EM算法等都是建立在凸球形的样本空间上,当样
本空间非凸时,算法易陷入局部最优。
为了能在任意形状的样本空间上聚类,且收敛于全局最优,一类
新型的聚类算法——谱聚类被提出。谱聚类根据样本间的相似关系建
立矩阵,通过计算特征向量找出数据样本间的内在联系。与传统的聚
类算法相比,谱聚类算法具有诸多优点:(1)直接通过求解拉普拉斯矩
阵的特征向量进行划分,不含有凸球形数据分布的隐性假设,从而能
够识别非凸类型的簇;(2)用现有的线性代数软件可以直接求解拉普拉
斯矩阵的特征向量,实现简单;(3)谱聚类仅与数据点的数目有关,而
与维数无关,因而可以避免由高维特征向量造成的奇异性问题;(4)诸
多数据集上的对比实验表明,谱聚类的性能优于一般的聚类算法;(5)
可用于大规模数据集。基于上述优点,谱聚类被广泛应用于计算机视
觉[1]、语音识别[2]、VLSI设计[3]、文本挖掘[4]等领域。
近年来,谱聚类作为一种非常有前途的聚类算法,吸引了众多学
者对其进行研究、改进,出现了许多成功的谱聚类的改进算法。本文
作为一篇综述性的文章,旨在对现有的谱聚类改进算法分类进行详细
介绍,使读者能够更加系统、全面地了解该领域的研究现状,促进该
领域的发展。本文首先从图分割的角度介绍了谱聚类的基本原理和经
典算法,然后重点分类介绍了谱聚类的改进算法,最后进行归纳总结,
提出未来的几个研究向。
2.谱聚类的基本原理和算法
2.1聚类与图划分问题
对于给定的n个d维的数据点x,x,,xn12L,聚类的目标是将
谱聚类综述论文--第1页
谱聚类综述论文--第2页
这n个点分成k
个簇,使得同一簇中的数据点比较相似,不同簇中的数据点比较
相异。假设将数据点ix看作图中的一个顶点iv,将两点之间的相似
度作为边的权重ijW,这样就得到一个基于相似度的无向图G=(V,
E),其中V是顶点的集合,E是边的集合。
新的目标函数都在寻求一种类内相似度尽可能大,类间相似度尽
可能小的最优划分,同时兼顾了划分的均衡性。但是它们均被证明为
NP难解问题[9]。而谱聚类则是一种利用特征向量求得这些问题近似
解的新聚类算法。
2.2谱聚类的基本原理
首先介绍三种常见的拉普拉斯矩阵,根据Rayleigh-Ritz理论,谱
聚类算法求得的拉普拉斯矩阵的若干特征向量就是最优划分问题松弛
后的近似解。
2.3谱聚类算法框架和经典算法
谱聚类算法的基本步骤如下:
(1)根据某种相似度定义,由原始的数据集构建相似度矩阵W。
(2)由相似度矩阵构建拉普拉斯矩阵,并求解它的某些特征向量。
以这些向量作列,构建矩阵H??n?k。
(3)用k-means等经典聚类算法将H中的各行聚成k个簇kS,S,,
S12L。最终将点ix分到簇jA中,当且仅当H中ix对应的
文档评论(0)