基于核函數(shù)的譜嵌入聚類KSEC模型
推薦 + 挑錯(cuò) + 收藏(0) + 用戶評(píng)論（0）
譜嵌入聚類（SEC）算法要求樣本滿足流形假設(shè)，樣本標(biāo)簽總是可以嵌入到一個(gè)線性空間中去，這為線性可分?jǐn)?shù)據(jù)的譜嵌入聚類問(wèn)題提供了新的思路，但該算法使用的線性映射函數(shù)不適用于處理高維非線性數(shù)據(jù)。針對(duì)這一問(wèn)題，通過(guò)核化線性映射函數(shù)，建立了基于核函數(shù)的譜嵌入聚類（ KSEC）模型，該模型既能解決線性映射函數(shù)不能處理非線性數(shù)據(jù)的問(wèn)題，又實(shí)現(xiàn)了對(duì)高維數(shù)據(jù)的核降維。在真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)分析結(jié)果表明，使用所提算法后聚類正確率平均提高了13. 11%，最高可提高31. 62%，特別在高維數(shù)據(jù)上平均提高了16. 53%，而且在算法關(guān)于參數(shù)的敏感度實(shí)驗(yàn)中發(fā)現(xiàn)算法的穩(wěn)定性更好。所以改進(jìn)后的算法對(duì)高維非線性數(shù)據(jù)具有很好的聚類效果，獲得了比傳統(tǒng)譜嵌入聚類算法更高的聚類準(zhǔn)確率和更好的聚類性能。所提方法可以用于諸如遙感影像這類復(fù)雜圖像的處理領(lǐng)域。
非常好我支持^.^
(0) 0%
不好我反對(duì)
(0) 0%
下載地址
基于核函數(shù)的譜嵌入聚類KSEC模型下載
相關(guān)電子資料下載
- 對(duì)新輔助TCHP治療響應(yīng)的HER2+乳腺癌空間蛋白質(zhì)組特征 547
- 四種獲取內(nèi)核函數(shù)地址的方法 850
- 使用輪廓分?jǐn)?shù)提升時(shí)間序列聚類的表現(xiàn) 316
- 基于K-means聚類算法的圖像分割 1113
- 介紹一種基于最小化平方誤差的聚類算法 498
- 介紹一種基于分層聚類方法的木馬通信行為檢測(cè)模型 1061
- 深度學(xué)習(xí)聚類的綜述 780
- 聚類分析中的機(jī)器學(xué)習(xí)與統(tǒng)計(jì)方法綜述（二） 679
- 如何在 Python 中安裝和使用頂級(jí)聚類算法 415
- 支持向量機(jī)（核函數(shù)的定義） 637