自適應(yīng)的譜聚類算法研究及其在火焰分割上的應(yīng)用.pdf

1、譜聚類算法作為一種有效的聚類分析方法，理論基礎(chǔ)可靠，聚類性能良好，已在文本分析、語(yǔ)音分析、機(jī)器視覺(jué)以及圖像分割等領(lǐng)域成功應(yīng)用。譜聚類算法具有諸多優(yōu)點(diǎn)，但其缺乏自適應(yīng)性，即需要手動(dòng)設(shè)置相似矩陣的尺度參數(shù)、聚類數(shù)目，在實(shí)際應(yīng)用中受到一定的限制。本文針對(duì)譜聚類算法存在的問(wèn)題和不足進(jìn)行了改進(jìn)，并將改進(jìn)的算法應(yīng)用于圖像分割領(lǐng)域。具體的研究?jī)?nèi)容如下:
　　(1)針對(duì)傳統(tǒng)的譜聚類算法計(jì)算相似矩陣時(shí)尺度參數(shù)需要手動(dòng)設(shè)置的問(wèn)題，給出了一種基于自然最

2、近鄰的譜聚類改進(jìn)算法。采用局部尺度參數(shù)計(jì)算相似矩陣，首先引入自然最近鄰居搜索算法，并對(duì)該搜索算法的終止條件進(jìn)行了改進(jìn)，減少了算法的時(shí)間復(fù)雜度，然后利用該搜索算法產(chǎn)生的密度信息計(jì)算每一個(gè)數(shù)據(jù)點(diǎn)對(duì)應(yīng)的尺度參數(shù)，即計(jì)算每個(gè)點(diǎn)的局部尺度參數(shù)，并代入高斯核函數(shù)中進(jìn)行相似矩陣的計(jì)算，最終完成聚類。在合成數(shù)據(jù)集和公共測(cè)試集上進(jìn)行試驗(yàn)測(cè)試，結(jié)果表明，與原始譜聚類算法及幾種典型算法相比，本算法將Fmeasure指標(biāo)提高了5％左右。
　　(2)針對(duì)譜

3、聚類算法的聚類數(shù)目需要人為設(shè)定的問(wèn)題，給出了一種基于特征間隙的譜聚類改進(jìn)算法。通過(guò)分析規(guī)范化拉普拉斯矩陣的特征值與聚類數(shù)目的關(guān)系，引入特征間隙的概念，計(jì)算特征值的本征間隙序列，找到該序列第一個(gè)極大值點(diǎn)，該點(diǎn)對(duì)應(yīng)的下標(biāo)記即為聚類數(shù)目。通過(guò)對(duì)合成數(shù)據(jù)集和公共測(cè)試集進(jìn)行試驗(yàn)測(cè)試，表明本文算法能比較準(zhǔn)確的確定聚類數(shù)目，聚類結(jié)果Fmeasure指標(biāo)提高6％左右，且更具魯棒性。
　　(3)本文針對(duì)傳統(tǒng)的K-means算法采用隨機(jī)初始化的方法初

4、始聚類中心，導(dǎo)致聚類結(jié)果很不穩(wěn)定，易陷入局部最優(yōu)的問(wèn)題，給出了一種基于密度初始化的譜聚類改進(jìn)算法。利用自然最近鄰算法得出的密度信息，選取處在高密度區(qū)域的點(diǎn)作為備選初始聚類中心，利用最大最小距離選取最終的k個(gè)初始聚類中心，對(duì)K-means算法初始化，避免算法陷入局部最優(yōu)，出現(xiàn)不穩(wěn)定聚類結(jié)果的情況。本文在公開(kāi)測(cè)試數(shù)據(jù)集上進(jìn)行試驗(yàn)驗(yàn)證本算法的性能。
　　(4)改進(jìn)的自適應(yīng)譜聚類算法在火焰圖像分割中的應(yīng)用。本文將基于自然最近鄰和特征間隙的