一种增量迭代方式下的特征向量聚类方法.pdfVIP

第23卷第3期 模式识别与人工智能 V01．23No．3 2010年6月 PRAI Jun 2010 一种增量迭代方式下的特征向量聚类方法木 黄锐 桑 农 刘乐元 罗大鹏 唐奇伶 (华中科技大学图像识别与人工智能研究所图像信息处理与智能控制教育部重点实验室武汉430074) 摘要采用一种数据组织方式，提出一种特征向量聚类方法．首先选取特征空间中一些容易聚类的高密度数据 点作为初始种子集合，并对其进行聚类．然后从剩下的数据点中选取种子集合的所有k近邻数据点，通过半监督判 别式分析方法将当前种子集合及其k近邻数据投影到一个新的投影空间中，在该空间中对这些数据点再进行聚 类，得到新的聚类结果，并将这些k近邻数据添加到当前种子集合中．通过迭代上述步骤，当种子集合的k近邻数据 为空集时，算法结束．实验表明，该聚类方法优于经典的K-means、均值漂移、谱聚类等算法． 关键词特征向量，聚类，半监督判别式分析，均值漂移 242．6+2 中图法分类号TP AMethodof FeatureVectorsviaIncrementalIteration Clustering HUANG Rui，SANG Le—Yuan，LUO Nong，LIU Da-Peng，TANGQi-Ling EducationCommission and (State Control， KeyLaboratoryforImageProcessingIntelligent Institute and ofImageRecognitionArtificialIntelligence， Scienceand HuazhongUniversityof Technology，Wuhan430074) ABSTRACT Amethodof infeature is inthis viaakindof ofdata clustering spaceproposedpaper organization featuredata with densitieswhichare tobeclusteredare points．Firstly，thosepointshigher relativelyeasy outlit8theinitialseeddata k-nearest ofdatainseedsetareselectedfrom picked set．Then，theneighbors the data setandtheirk-nearest remained infeature thedata inseed points space，and points neighbors aretransformedintoanew this thosedata are thek-nearest spac