博文
review: 基于混合距离学习的双指数模糊C 均值算法
||
基于混合距离学习的双指数模糊C 均值算法
王骏, 王士同
Journal of Software, Vol.21, No.8, August 2010, pp.1878−1888
摘要:
提出了一种基于DI-FCM(double indices fuzzy
C-means)算法框架的无监督距离学习算法——基于混合距离学习的双指数模糊C 均值算法HDDI-FCM(double indices fuzzy
C-means with hybrid
distance).数据集未知距离度量被表示为若干已有距离的线性组合,然后执行HDDI-FCM,在对数据集进行有效聚类的同时进行距离学习.为了保证迭代算法收敛,引入了Steffensen
迭代法来改进计算簇中心点的迭代公式.讨论了算法中参数的选择.基于UCI(University of
California,Irvine)数据集的实验结果表明该算法是有效的.
关键词: 距离学习;聚类;模糊C 均值算法;混合距离;Steffensen 迭代法
如何为数据集选择合适的距离度量
距离学习
-- 监督距离学习
-- 无监督距离学习
the organization of this paper:
1) 第1 节提出一种表示数据集距离度量的新方法——基于线性组合的混合距离表示方法,并给出用于更新中心点的Steffensen
迭代公式.
2) 第2 节回顾基于欧氏距离的双指数模糊C 均值算法DI-FCM
3) 第3 节提出基于混合距离的双指数模糊C 均值算法HDDI-FCM(double indices fuzzy C-means with
hybrid distance).
4) 第4 节给出距离的3 种组合形式,通过实验数据说明此方法的有效性.
5) 第5 节给出结论.
1 基于线性组合的混合距离表示新方法
2 基于欧氏距离的双指数模糊C 均值算法
模糊C均值算法FCM(fuzzy C-means)
3 基于混合距离学习的双指数模糊C 均值算法
3.1 HDDI-FCM算法及推导
3.1.1 初始化
3.1.2 迭代
3.2 参数的选择
4 实验
UCI 数据集
https://blog.sciencenet.cn/blog-468147-543498.html
上一篇：review: 双线性对有效计算研究进展
下一篇：review: 应用于移动互联网的Peer-to-Peer关键技术
扫一扫，分享此博文