山东大学学报(工学版)

作者：秦军,张远鹏,蒋亦樟,杭文龙

单位：1. 南通大学医学信息学系, 江苏 南通 226001；2. 江南大学数字媒体学院, 江苏 无锡 214122；3. 南京工业大学计算机科学与技术学院, 江苏 南京 211816

关键词：模糊聚类,迁移聚类,多代表点,迁移学习,无监督学习,

基金：国家自然科学基金资助项目(81701793);南通市科技计划资助项目(MS12017016-2);江苏省社会科学基金资助项(18YSC009)

以往建立在模糊C均值(fuzzyC-means, FCM)框架下利用源域虚拟簇中心作为迁移知识的迁移聚类算法容易受到离群点和噪声的干扰,且单个簇中心不足以描述簇结构。针对此问题,提出多代表点自约束的模糊迁移聚类算法,该算法引入样本代表权重机制为簇中每个样本分配代表权重来刻画簇结构,这种机制能更好的刻画簇结构,对离群点和噪声有较好的抑制作用;同时利用源域样本,重构目标域簇结构,并以此作为迁移知识进行目标域样本聚类,相对于利用单中心作为迁移知识来说,整体重构后的目标域簇结构所包含的迁移知识量更为丰富。试验结果表明。在人工数据集和真实数据集上,所提出的聚类算法相比对比算法, NMI和ARI最高提升了0.674 5和0.608 4。说明在迁移环境下,以代表点自约束作为知识迁移规则,所提出的聚类算法具有一定的聚类效果。

来源：2019年第2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2019年第2期