基于构造型神经网络和商空间粒度的聚类方法

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (29): 165-167.

基于构造型神经网络和商空间粒度的聚类方法

徐银^1,2,周文江^1,2,王伦文²　

1.解放军电子工程学院研二队,合肥 230037
2.解放军电子工程学院 309室,合肥 230037

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-10-11 发布日期:2007-10-11
通讯作者: 徐银

Clustering method based on Constructive Neural Networks and quotient space granularity

XU Yin^1,2,ZHOU Wen-jiang^1,2,WANG Lun-wen²

1.The Second Team of Postgraduate Department at Electronic Engineering Institute,Hefei 230037,China
2.309 Research Division of Electronic Engineering Institute,Hefei 230037,China

Received:1900-01-01 Revised:1900-01-01 Online:2007-10-11 Published:2007-10-11
Contact: XU Yin

摘要/Abstract

摘要： 采用构造型神经网络对大规模模式进行聚类,其中利用商空间粒度分析法选择最优粒度聚类。该方法既发挥了构造型神经网络计算复杂度低的优点,又利用了商空间理论选取最优粒度聚类。对大规模复杂数据聚类实验结果表明该方法是实效的。

关键词: 聚类, 粒度, 构造型神经网络, 商空间

Abstract: In this paper,Constructive Neural Networks（i.e.CNN） are used to cluster large-scale patterns,and the optimum granularity is chosen by quotient space granularity analysis method.This method not only makes good use of the characteristic of CNN in reducing the computing complexity,but also takes the advantage of quotient space theory in choosing the optimum granularity.The results of the experiments of clustering large-scale and complicated data show the validity of this method.

Key words: clustering, granularity, constructive neural networks, quotient space

徐银^1,2,周文江^1,2,王伦文²　. 基于构造型神经网络和商空间粒度的聚类方法[J]. 计算机工程与应用, 2007, 43(29): 165-167.

XU Yin^1,2,ZHOU Wen-jiang^1,2,WANG Lun-wen². Clustering method based on Constructive Neural Networks and quotient space granularity[J]. Computer Engineering and Applications, 2007, 43(29): 165-167.

[1]	杨春霞，李欣栩，吴佳君，刘天宇. 基于注意力交互机制的层次网络情感分类[J]. 计算机工程与应用, 2021, 57(9): 134-139.
[2]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	代琪，李敏，刘洋，李丽红. 模糊层次商空间的快速属性约简算法[J]. 计算机工程与应用, 2021, 57(4): 55-60.
[12]	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.
[13]	艾山·吾买尔，斯拉吉艾合麦提·如则麦麦提，西热艾力·海热拉，刘文其，吐尔根·依布拉音，汪烈军，瓦依提·阿不力孜. 带标记音节的双向维汉神经机器翻译方法[J]. 计算机工程与应用, 2021, 57(4): 161-168.
[14]	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.
[15]	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.