基于流形距離和核函數的進化聚類算法研究及其應用.pdf

1、聚類是一種重要的數據分析方法，在諸如計算機視覺、信息檢索、數據挖掘和模式識別等領域得到了廣泛的應用。目前，作為全局最優(yōu)技術的進化計算已被很多學者用于聚類問題?；谶M化計算的聚類算法往往以歐氏距離作為相似性度量。雖然在全局最優(yōu)化性能上，以歐氏距離作為相似性度量的進化聚類算法較基于梯度下降的K-均值算法有所提高，但它們只是對空間分布為球形或超球體的數據具有較好的性能，而對空間分布復雜的數據效果不是很好，這是基于歐氏距離的相似性度量的缺陷導致

2、的必然結果。因此，使用一個更加合理的相似性度量，使聚類算法針對復雜分布的數據也能得到較好的聚類結果是非常重要的。
　　 本文首先提出了一種基于核的進化聚類算法。通過利用核，把輸入空間的樣本映射到高維特征空間，在特征空間中進行進化聚類，我們將新方法命名為核進化聚類算法。通過非線性映射能夠較好地分辨、提取并放大有用的特征，從而更為準確的聚類，在經典算法效果不佳的情況下，核進化聚類算法也能夠得到正確的聚類結果。
　　 針對復雜

3、分布的數據，提出了一種基于混合測度的進化聚類算法。該方法采用了“粗聚類、細聚類”的思想，首先以歐氏距離作為相似性度量，對數據集進行粗聚類，然后，以流形距離作為相似性度量，對粗聚類后的數據集進行細聚類。實驗表明，與基于歐氏距離的遺傳聚類算法及K-均值算法相比，此算法對樣本空間分布復雜的無監(jiān)督聚類問題具有較高的正確率，具有很好的魯棒性。
　　 將核進化聚類算法與形態(tài)學方法結合，提出一種基于分水嶺與核進化聚類算法的圖像分割算法。該算法

4、首先使用改進的分水嶺算法—內外標記的分水嶺算法對圖像進行初分割，提取區(qū)域圖像特征作為聚類的輸入樣本；利用核函數把樣本映射到特征空間，在特征空間中進行進化聚類，用聚類的方法進行區(qū)域合并，得到最終的分割結果。將新算法用于自然圖像分割、紋理圖像分割及SAR圖像分割任務，實驗表明該算法可以成功地用于多種圖像分割，可以得到有較好的圖像分割性能。
　　 本文的工作得到了國家自然科學基金(No.60703107)，國家863高技術研發(fā)發(fā)展計劃