近邻传播半监督聚类算法的分析与改进

doi:10.3778/j.issn.1002-8331.2010.36.046

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (36): 168-170.DOI: 10.3778/j.issn.1002-8331.2010.36.046

• 数据库、信号与信息处理 • 上一篇下一篇

近邻传播半监督聚类算法的分析与改进

赵宪佳¹，王立宏²

1.青岛大学国际学院，山东青岛 266071
2.烟台大学计算机学院，山东烟台 264005

收稿日期:2009-07-06 修回日期:2009-09-03 出版日期:2010-12-21 发布日期:2010-12-21
通讯作者: 赵宪佳

Analysis and improvement of semi-supervised clustering algorithm based on affinity propagation

ZHAO Xian-jia¹，WANG Li-hong²

1.International College，Qingdao University，Qingdao，Shandong 266071，China
2.School of Computer Science and Technology，Yantai University，Yantai，Shandong 264005，China

Received:2009-07-06 Revised:2009-09-03 Online:2010-12-21 Published:2010-12-21
Contact: ZHAO Xian-jia

摘要/Abstract

摘要： 近邻传播半监督聚类算法SAP在小数据集上运行时可能会出现并列类代表点的现象，当出现并列类代表点时，依据决策矩阵E对角线上数值大于0确定的类代表点并不是全部的类代表点。分析了近邻传播算法的性质，找出了并列类代表点的出现原因，并针对此现象给出了改进算法。

关键词: 近邻传播, 类代表点, 半监督学习

Abstract: Parity exemplars often appear when Semi-supervised clustering algorithm based on Affinity Propagation（SAP） is applied on small dataset，and then the exemplar judgment criterion，i.e. an exemplar xk must satisfy E（k，k）>0 in the decision matrix E，is not complete.In this paper，properties of affinity propagation algorithm are analyzed and the occurrence reason of parity exemplars is found.Finally，an improved algorithm is proposed to solute this problem.

Key words: affinity propagation, exemplar, semi-supervised learning

中图分类号:

TP301

赵宪佳¹，王立宏². 近邻传播半监督聚类算法的分析与改进[J]. 计算机工程与应用, 2010, 46(36): 168-170.

ZHAO Xian-jia¹，WANG Li-hong². Analysis and improvement of semi-supervised clustering algorithm based on affinity propagation[J]. Computer Engineering and Applications, 2010, 46(36): 168-170.

[1]	邹承明，胡佑璞. 引入生成对抗网络的室外场景单目深度估计[J]. 计算机工程与应用, 2021, 57(6): 176-183.
[2]	米源，唐恒亮. 基于图卷积网络的谣言鉴别研究[J]. 计算机工程与应用, 2021, 57(13): 161-167.
[3]	唐焕玲，刘艳红，郑涵，窦全胜，鲁明羽. 融合SLDA主题模型的不均衡文本分类方法[J]. 计算机工程与应用, 2021, 57(12): 144-154.
[4]	宋丽丽，李彬，赵俊雅，刘国峰. 正态重采样的改进行人再识别度量学习算法[J]. 计算机工程与应用, 2020, 56(8): 158-165.
[5]	韩嵩，韩秋弘. 半监督学习研究的述评[J]. 计算机工程与应用, 2020, 56(6): 19-27.
[6]	杨烁，刘兵，周勇. 基于稀疏编码的半监督低秩核学习算法[J]. 计算机工程与应用, 2019, 55(7): 175-181.
[7]	张璞1，柴变芳1，张静1，李文斌2. 半监督属性网络表示学习方法[J]. 计算机工程与应用, 2019, 55(12): 117-123.
[8]	王玉业，陈健美. 安全的半监督方法的协同过滤推荐算法[J]. 计算机工程与应用, 2018, 54(8): 107-111.
[9]	吴明胜，邓晓刚. 基于Tri-DE-ELM的半监督模式分类方法研究[J]. 计算机工程与应用, 2018, 54(3): 109-114.
[10]	卢月明1，王亮1，仇阿根1，张用川1，2，赵阳阳1. 基于半监督学习的克里金插值方法[J]. 计算机工程与应用, 2018, 54(22): 265-270.
[11]	陈玉琦1，雷刚1，姚明海2，易玉根1. 基于局部约束的自适应图标签传递方法[J]. 计算机工程与应用, 2018, 54(20): 14-19.
[12]	李村合，朱红波. 基于半监督学习的多示例多标记E-MIMLSVM+算法[J]. 计算机工程与应用, 2018, 54(2): 149-154.
[13]	陈娟1，朱福喜1，2. 结合半监督与主动学习的时间序列PU问题分类[J]. 计算机工程与应用, 2018, 54(11): 116-121.
[14]	孙劲光1，赵欣2. 一种改进近邻传播聚类的图像分割算法[J]. 计算机工程与应用, 2017, 53(6): 178-182.
[15]	李义翠1，2，亓琳1，谭舒昆1，2. 结合PN约束在线半监督boosting目标跟踪算法[J]. 计算机工程与应用, 2017, 53(23): 129-134.

近邻传播半监督聚类算法的分析与改进

Analysis and improvement of semi-supervised clustering algorithm based on affinity propagation

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