基于Universum学习的核聚类方法

2016-12-19 19:53:40朱昌明吴爱华王健安
上海海事大学学报 2016年3期
关键词:实验信息方法

朱昌明 吴爱华 王健安

摘要:

为解决原始核聚类(Kernel Clustering, KC)中模式信息不足、聚类结果不佳的缺点,以KC为基础,利用Universum学习带来的优势,提出基于Universum学习的核聚类(Universum learningbased Kernel Clustering, UKC)方法.首先利用Universum学习生成相应的Universum模式,再利用KC算法把数据集分割成多个簇,最后利用每个簇中所包含的Universum模式和训练模式来更新该簇,从而使得这些簇更加合理.实验表明,该算法可以更好地改善聚类效果和分类器的分类性能、泛化能力和计算效率.虽然该方法的步骤比KC多,但是其较好的聚类性能可以帮助人们处理分类问题.

关键词:

Universum学习; 核聚类; 先验知识

0引言

Universum学习由WESTON等[1]提出,旨在把有关应用域的先验知识引入到学习过程中.这些知识是以附加的无标签的和有标签的训练模式的形式表示的.基于Universum的优点,CHERKASSKY等[2]提出基于Universum的支持向量机(Universum Support Vector Machine, USVM),LIU等[3]提出自学习的Universum下的支持向量机(SelfUniversum Support Vector Machine, SUSVM).笔者把USVM与支持向量机(Support Vector Machine,SVM)进行比较,发现Universum模式的质量会影响分类器的性能.CHEN等[4]发现在目标类之间分布的Universum模式对生成分类界面更有用.由相关实验可知,Universum学习可使模型更符合模式分布、结构等,从而提高算法有效性.如今Universum学习已广泛运用于文本聚类[5]、身体姿势识别[6]、Boosting策略[7]、降维技术[8]和多视角学习[9]等方面.

大部分数据集拥有可以改进分类器性能的局部信息或结构[10],而聚类是得到这些局部信息或结构的一个较好的方法.聚类旨在把一个由所有模式组成的全局空间分成多个子集,这些子集被称为簇、核或子类.它们有较高……

登录APP查看全文

猜你喜欢
实验信息方法
记一次有趣的实验
做个怪怪长实验
订阅信息
中华手工(2017年2期)2017-06-06 23:00:31
NO与NO2相互转化实验的改进
实践十号上的19项实验
太空探索(2016年5期)2016-07-12 15:17:55
用对方法才能瘦
Coco薇(2016年2期)2016-03-22 02:42:52
四大方法 教你不再“坐以待病”!
Coco薇(2015年1期)2015-08-13 02:47:34
捕鱼
展会信息
中外会展(2014年4期)2014-11-27 07:46:46
健康信息
祝您健康(1987年3期)1987-12-30 09:52:32