基于流形结构的多聚类中心近邻传播聚类算法

摘要：

多聚类中心近邻传播聚类算法（MEAP），在处理任意形状具有流形分布结构的数据时，往往得不到理想的聚类结果。为此，基于流形学习的思想，设计了一种全新的相似性度量，该相似性度量能够扩大位于同一流形中数据点间的相似性，同时缩小处于不同流形上数据点间的相似性，从而使得相似性矩阵能够准确地反映数据集内在的流形分布结构。将该相似性度量与MEAP相结合，提出基于流形结构的多聚类中心近邻传播聚类算法MS-MEAP （Manifold Structure based Multi-Exemplar Affinity Propagation），从而有效地拓展了算法处理任意形状具有流形分布结构数据集的能力，同时提高了算法的运行效率。在人工数据集与USPS手写体数据集上进行了实验，仿真实验结果及算法有效性分析证明，MS-MEAP算法相比于原算法在处理任意形状具有流形分布结构的数据时，具有更好的聚类性能。

关键词：近邻传播聚类、多聚类中心近邻传播聚类、基于密度的聚类、流形结构、相似性度量

所属期刊栏目：52

分类号：TP301.6(计算技术、计算机技术)

资助基金：国家自然科学基金No.61305017，No.60975027；江苏省自然科学基金No.BK20130154；江苏高校优势学科建设工程资助项目。

在线出版日期：2016-04-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：67-73