一种具有影响力因子的硬聚类算法

doi:10.3778/j.issn.1002-8331.2009.19.055

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (19): 177-180.DOI: 10.3778/j.issn.1002-8331.2009.19.055

• 图形、图像、模式识别 • 上一篇下一篇

一种具有影响力因子的硬聚类算法

王建锋¹,金健²,王晶晶³

1.上海电力学院计算机科学与技术系，上海 200090
2.华东师范大学计算机科学与技术系，上海 200062
3.上海西渡学校，上海 201401

收稿日期:2008-04-21 修回日期:2008-07-23 出版日期:2009-07-01 发布日期:2009-07-01
通讯作者: 王建锋

Study on influence of effectiveness factor in HCM algorithm

WANG Jian-feng¹,JIN Jian²,WANG Jing-jing³

1.Department of Computer Science and Technology，Shanghai University of Electric Power，Shanghai 200090，China
2.Department of Computer Science and Technology，East China Normal University，Shanghai 200062，China
3.Shanghai Xidu School，Shanghai 201401，China

Received:2008-04-21 Revised:2008-07-23 Online:2009-07-01 Published:2009-07-01
Contact: WANG Jian-feng

摘要/Abstract

摘要： 为解决传统聚类方法对不同规模类不能正确聚类的问题，探讨了带影响力因子的硬聚类方法。为每个类均赋予一个影响力因子，使样本的隶属关系不只受距离的影响，而且受类的规模的影响。通过对18个数据集的实验，证明该方法的可行性，并且观察了影响力因子的取值对收敛过程和算法产生结果的影响，提出了今后的工作重点。

关键词: 聚类, 硬聚类算法, 模糊C均值算法, 影响力因子

Abstract: Focusing on the equalization in cluster size using traditional clustering method，Hard C-Means（HCM） algorithm with effectiveness factors is discussed.Assigning an effectiveness factor for each of the clusters，leading to the membership relations between samples affected not only by distances，but scales.Testing on 18 datasets verifies the feasibility of this method.Effects on convergence process and algorithm results caused by the effectiveness factor are observed，and the future emphasis is suggested.

Key words: clustering, Hard C-Means（HCM）, Fuzzy C-Means（FCM）, effectiveness factor

王建锋¹,金健²,王晶晶³. 一种具有影响力因子的硬聚类算法[J]. 计算机工程与应用, 2009, 45(19): 177-180.

WANG Jian-feng¹,JIN Jian²,WANG Jing-jing³. Study on influence of effectiveness factor in HCM algorithm[J]. Computer Engineering and Applications, 2009, 45(19): 177-180.

[1]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[2]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[3]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[4]	霍光煜，张勇，孙艳丰，尹宝才. 基于语义的档案数据智能分类方法研究[J]. 计算机工程与应用, 2021, 57(6): 247-253.
[5]	杨芳，尹曦，司建辉，刘宏媛，汪雪. 基于侧重点聚类的数学表达式相似度计算方法[J]. 计算机工程与应用, 2021, 57(6): 88-93.
[6]	赵凡，张琳，闻治泉，杨林林，蔺广逢. 一种直接高效的自然场景汉字逼近定位方法[J]. 计算机工程与应用, 2021, 57(6): 159-167.
[7]	彭启慧，宣士斌，高卿. 分布的自动阈值密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(5): 71-78.
[8]	李勇振，廖湖声. 基于图卷积神经网络的多视角聚类[J]. 计算机工程与应用, 2021, 57(5): 115-122.
[9]	王昌龙，张远东，缪宏，杨煜恒. 双通道卷积神经网络在南瓜病害识别上的应用[J]. 计算机工程与应用, 2021, 57(5): 183-189.
[10]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[11]	王俊玲，卢新明. 基于语义相关的视频关键帧提取算法[J]. 计算机工程与应用, 2021, 57(4): 192-198.
[12]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[13]	陈俊丰，郑中团. WKMeans与SMOTE结合的不平衡数据过采样方法[J]. 计算机工程与应用, 2021, 57(23): 106-112.
[14]	张忠林，赵昱，闫光辉. 自然邻居密度极值聚类算法[J]. 计算机工程与应用, 2021, 57(23): 200-210.
[15]	梅婕，魏圆圆，许桃胜. 基于密度峰值多起始中心的融合聚类算法[J]. 计算机工程与应用, 2021, 57(22): 78-85.

一种具有影响力因子的硬聚类算法

Study on influence of effectiveness factor in HCM algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics