一种极大中心间隔的核可能性C均值聚类算法

摘要：

传统核可能性C均值（KPCM）算法仅考虑类内的紧密性而忽略了类间的距离关系，在对边界模糊的数据进行聚类分析时，会引起因聚类中心距离小或重合引起的边界点误分问题。为解决上述问题，在核可能性C均值基础上引入高维特征空间中的类间极大惩罚项和调控因子λ，构造了全新的目标函数，称为极大中心间隔的核可能性C均值（MKPCM）聚类算法。该算法通过类间极大惩罚项使类间距离极大化，并利用调控因子λ合理控制类间距，较好地避免了类中心间距离小或重合的现象。通过大量的实验证明，算法对于边界模糊的数据聚类效果优于传统的聚类算法；在图像分割的实际应用中，算法也明显优于传统的聚类算法。

关键词：核可能性C均值、边界模糊、类间极大惩罚项

所属期刊栏目：52

分类号：TP391(计算技术、计算机技术)

资助基金：江苏省六大人才高峰项目No.DZXX-028；江苏省产学研项目No.BY2014023-33；江南大学教师卓越工程项目No.JGC2013145。

在线出版日期：2016-11-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：184-191,240