中心约束的跨源学习可能性C均值聚类算法

摘要：

可能性C均值聚类算法(Possibilistic C-Means,PCM)相比于模糊C均值聚类算法(Fuzzy C-Means,FCM),能更好地处理含有噪音和例外点的数据,但在处理数据粘性较强的数据集时,PCM算法的聚类中心趋于一致,从而导致聚类算法直接失效.针对这个问题,提出了中心约束准则与跨域迁移学习准则,并将其应用到可能性C均值算法中,从而提出一种具有中心约束能力的聚类算法,简称中心约束的跨源学习聚类算法,改进后的算法能够利用跨域知识进行辅助聚类,确保类中心相互远离,从而能够保证算法的聚类性能.通过模拟数据集和真实数据集的实验,验证了该算法的上述优点.

关键词：迁移学习、类中心约束、可能性C均值算法

所属期刊栏目：54

分类号：TP311.1(计算技术、计算机技术)

资助基金：江苏省自然科学基金BK20151131;中央高校基本科研业务费专项资金JUSPR51614A

在线出版日期：2018-03-29（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：72-78