改進的譜聚類集成算法研究與應(yīng)用.pdf

1、譜聚類算法建立在圖論中的譜圖理論基礎(chǔ)上,其本質(zhì)是將聚類問題轉(zhuǎn)化為圖的最優(yōu)劃分問題,是一種點對聚類算法,對數(shù)據(jù)聚類具有很好的應(yīng)用前景。相比于傳統(tǒng)的聚類算法,譜聚類能夠識別非凸分布的聚類,而且可以獲得在放松了的連續(xù)域中的全局最優(yōu)解。但是該算法目前仍處于研究的初期,算法本身仍存在一些問題。本文以譜聚類算法為基礎(chǔ),結(jié)合聚類集成、半監(jiān)督學習、深度學習提出了一系列新的算法,以克服現(xiàn)有譜聚類算法的缺陷并提高聚類精度。本文主要工作概括如下:
　　

2、1.提出了一種基于壓縮感知譜聚類的集成算法,并將其應(yīng)用于高光譜圖像的分割。壓縮后的隨機特征,k均值算法的隨機初始化以及Nystr?m逼近為該集成算法提供了必要的多樣性。與此同時我們使用SVM對圖像進行了像素水平上的分類。最后運用空譜分類的思想將分割圖與分類圖結(jié)合在一起,實現(xiàn)對高光譜圖像的最終分類。
　　2.提出了一種新的基于約束譜聚類的集成算法。該算法不僅充分利用了已知的先驗信息,同時相對于單個學習器,算法性能更加穩(wěn)定。與一般的基

3、于互聯(lián)合矩陣的聚類集成算法不同,這里互聯(lián)合矩陣被看作一種新的約束信息引入到譜聚類算法來得到最后的聚類結(jié)果。此外,集成系統(tǒng)中的個體譜聚類的尺度參數(shù)在有限區(qū)間內(nèi)隨機選擇,這樣不僅避免了尺度參數(shù)的選擇問題,同時又增加了集成系統(tǒng)的多樣性。
　　3.針對譜聚類算法的算法復雜度過高不適于處理大規(guī)模數(shù)據(jù)的問題,我們利用Autoencoder構(gòu)造的深度學習網(wǎng)絡(luò)對原始的樣本數(shù)量進行約減,然后在處理后的少量樣本集中進行譜聚類,并提出了兩種方法來得到原