熵加权多视角协同划分模糊聚类算法
当前,基于协同学习机制的多视角聚类技术存在如下两点不足：第一,以往构造的用于各视角协同学习的逼近准则物理含义不明确且控制简单；第二,以往算法均默认各视角的重要性程度是相等的,缺少各视角重要性自适应调整的能力。针对上述不足：首先,基于具有良好物理解释性的Havrda-Charvat熵构造了一个全新的异视角空间划分逼近准则,该准则能有效地控制异视角间的空间划分相似程度；其次,基于香农熵理论提出了多视角自适应加权策略,可有效地控制各视角的重要性程度,提高算法的聚类性能；最后,基于FCM框架提出了熵加权多视角协同划分模糊聚类算法(entropy weight-collaborative partition-multi-view fuzzy clustering algorithm,简称EW-CoP-MVFCM)。在模拟数据集以及 UCI 数据集上的实验结果均显示,所提算法较之已有多视角聚类算法在应对多视角聚类任务时具有更好的适应性。
多视角聚类、协同学习、Havrda-Charvat熵、香农熵、模糊C均值聚类
TP181(自动化基础理论)
国家自然科学基金61170122,61272210,61202311,61300151;江苏省自然科学基金BK2009067, BK2012552, BK20130155;中央高校基本科研业务费专项资金JUSRP21128, JUDCF13030;教育部新世纪优秀人才支持计划NCET-12-0882;江苏省2013年度普通高校研究生科研创新计划CXZZ13_0760
2014-11-21（万方平台首次上网日期，不代表论文的发表时间）
共19页
2293-2311
