山东大学学报(工学版)

作者：王梅,宋凯文,刘勇,王志宝,万达

单位：1.东北石油大学计算机与信息技术学院, 黑龙江 大庆 163318;2.黑龙江省石油大数据与智能分析重点实验室, 黑龙江 大庆 163318;3.中国人民大学高瓴人工智能学院, 北京 100049;4.大数据管理与分析方法研究北京市重点实验室(中国人民大学信息学院), 北京 100049

关键词：K-means,核聚类,深度多核学习,数据挖掘,梯度下降,

基金：国家自然科学基金资助项目(51774090,62076234);黑龙江省博士后科研启动金资助项目(LBH-Q20080);黑龙江省自然科学基金资助项目(LH2020F003);黑龙江省高校基本科研业务费资助项目(KYCXTD201903,YYYZX202105)

针对传统K-means的聚类效果容易受到样本分布影响,且核函数表示能力不强导致对于复杂问题的聚类效果表现不佳的问题,利用深度核的强表示性并通过多核集成方式,提出一种具有强表示能力且分布鲁棒的深度多核K-means(deep multiple kernel K-means, DMKK-means)聚类算法。构建具有强表示能力的深度多核网络架构,在新的特征空间进行K-means聚类;基于Kullback-Leibler(KL)散度的聚类损失函数衡量该算法与2种基准聚类方法的差异;将该聚类算法建模成高效的端到端学习问题,利用随机梯度下降算法更新优化深度多核网络的权重参数。在多个标准数据集上进行试验,结果表明,相比于K-means、径向基函数核K-means(radial basis function kernel K-means, RBFKKM)及其他多核K-means聚类算法,该算法在聚类精度、归一化互信息和调整兰德系数指标上均有明显提升,验证该算法的可行性与有效性。

来源：2024年第6期

《山东大学学报(工学版)》期刊编辑部

查看山东大学学报(工学版)杂志2024年第6期