QQ客服 官方微博 反馈留言

	k-means型软子空间聚类算法; A k-means-based Algorithm for Soft Subspace Clustering
	张燕萍 ; 姜青山
	2010
关键词	高维数据 k均值 软子空间算法 子空间差异 high dimensional data k-means subspace clustering subspace difference
英文摘要	软子空间聚类是聚类研究领域的一个重要分支和研究热点。高维空间聚类以数据分布稀疏和“维度效应“现象等问题而成为难点。在分析现有软子空间聚类算法不足的基础上,引入子空间差异的概念;在此基础上,结合簇内紧凑度的信息来设计新的目标优化函数;提出了一种新的k-MEAnS型软子空间聚类算法,该算法在聚类过程中无需设置额外的参数。理论分析与实验结果表明,相对于其他的软子空间算法,该算法具有更好的聚类精度。; Soft subspace clustering is an important part and research hotspot in clustering research.Clustering in high dimensional space is especially difficult due to the sparse distribution of the data and the curse of dimensionality.By analyzing limitations of the existing algorithms,the concept of subspace difference is proposed.Based on these,a new objective function is given by taking into account the compactness of the subspace clusters and subspace difference of the clusters.And a subspace clustering algorithm based on k-means is presented.The additional parameter is not necessary in the novel algorithm.Theoretical analysis and experimental results demonstrate that the proposed algorithm significantly improves the accuracy.; 国家自然科学基金No.10771176----
语种	zh_CN
内容类型	期刊论文
源URL	[http://dspace.xmu.edu.cn/handle/2288/118767]
专题	软件学院－已发表论文
推荐引用方式 GB/T 7714	张燕萍,姜青山. k-means型软子空间聚类算法, A k-means-based Algorithm for Soft Subspace Clustering[J],2010.
APA	张燕萍,&姜青山.(2010).k-means型软子空间聚类算法..
MLA	张燕萍,et al."k-means型软子空间聚类算法".(2010).

个性服务

查看访问统计

相关权益政策

暂无数据

收藏/分享

除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。