无监督学习中聚类和阈值分割新方法研究

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

无监督学习中聚类和阈值分割新方法研究
聚类分析和图像阈值分割是重要的无监督学习方法,它们之间存在着紧密的联系,近年来得到了广泛的研究。本文针对当前聚类分析和阈值分割研究中存在的问题,进行了较为深入和广泛的研究,主要内容包括：(1)提出了一种基于混合距离学习的模糊聚类新方法,从而实现了在模糊聚类的同时为数据集选择合适的距离度量。
在本方法中,数据集未知距离的度量被表示为若干已知距离的线性组合,通过基于迭代重分配策略的无监督学习算法得到适合于数据集的距离分量权重。为了保证迭代算法收敛,算法中引入了Steffensen迭代法来改进簇中心的计算公式。
(2)在对高维文本数据进行聚类分析时,整个数据集采用单一的特征权重向量无法与数据集的结构特点相吻合。为了解决这一问题,给各个簇赋予不同的特征权重向量,来表示聚类过程中各维特征对此类别贡献的大小。
将特征加权距离与软子空间技术相结合,提出了一种目标函数中带两个模糊矩阵的软子空间聚类新方法。首先基于加权范数理论,提出了新的特征加权距离计算方法；接着,通过向经典FCM的目标函数中引入模糊特征加权矩阵,得到了新的模糊聚类学习准则。
此外,就算法的全局收敛 ...

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：方法研究 新方法 steffen 聚类分析 模糊聚类