譜方法和信息熵在聚類中的應(yīng)用.pdf

1、在文本挖掘，圖像處理等很多現(xiàn)實(shí)應(yīng)用中都需要對(duì)數(shù)據(jù)進(jìn)行聚類。近年來(lái)，基于譜方法和信息熵進(jìn)行聚類備受關(guān)注，并且發(fā)展得到譜聚類和熵聚類兩種聚類方法。
　　譜聚類具有簡(jiǎn)捷和高效性，其聚類效果主要受數(shù)據(jù)構(gòu)建的相似圖矩陣的影響。目前鄰域傳播算法對(duì)構(gòu)建相似圖矩陣有一定的應(yīng)用，它分為Gauss-Seidel方式和Jacobi方式。我們首先對(duì)這兩種鄰域傳播方式作了具體介紹，然后對(duì)Gauss-Seidel方式進(jìn)行了改進(jìn)。實(shí)驗(yàn)表明，通過(guò)改進(jìn)的Gauss

2、-Seidel方式構(gòu)建的相似圖矩陣在譜聚類模型上的聚類結(jié)果表現(xiàn)比Gauss-Seidel方式和Jacobi方式都要好。
　　熵聚類主要基于數(shù)據(jù)的信息熵來(lái)建立相應(yīng)的模型。最近，一種滿足擬陣約束的最大化子模函數(shù)模型取得了一定的聚類效果。該模型的求解主要采用改進(jìn)的貪婪算法，但其求解效率仍不是很高，我們?cè)诖怂惴ɑA(chǔ)上作了進(jìn)一步改進(jìn)，提出了加速貪婪算法。同時(shí)，我們基于幾種不同類型數(shù)據(jù)對(duì)模型的參數(shù)分別給出了新的自適應(yīng)選取方式。實(shí)驗(yàn)表明，改進(jìn)后