自適應(yīng)的譜聚類算法研究及其在火焰分割上的應(yīng)用.pdf

1、譜聚類算法作為一種有效的聚類分析方法，理論基礎(chǔ)可靠，聚類性能良好，已在文本分析、語音分析、機器視覺以及圖像分割等領(lǐng)域成功應(yīng)用。譜聚類算法具有諸多優(yōu)點，但其缺乏自適應(yīng)性，即需要手動設(shè)置相似矩陣的尺度參數(shù)、聚類數(shù)目，在實際應(yīng)用中受到一定的限制。本文針對譜聚類算法存在的問題和不足進行了改進，并將改進的算法應(yīng)用于圖像分割領(lǐng)域。具體的研究內(nèi)容如下:
　　(1)針對傳統(tǒng)的譜聚類算法計算相似矩陣時尺度參數(shù)需要手動設(shè)置的問題，給出了一種基于自然最

2、近鄰的譜聚類改進算法。采用局部尺度參數(shù)計算相似矩陣，首先引入自然最近鄰居搜索算法，并對該搜索算法的終止條件進行了改進，減少了算法的時間復(fù)雜度，然后利用該搜索算法產(chǎn)生的密度信息計算每一個數(shù)據(jù)點對應(yīng)的尺度參數(shù)，即計算每個點的局部尺度參數(shù)，并代入高斯核函數(shù)中進行相似矩陣的計算，最終完成聚類。在合成數(shù)據(jù)集和公共測試集上進行試驗測試，結(jié)果表明，與原始譜聚類算法及幾種典型算法相比，本算法將Fmeasure指標(biāo)提高了5％左右。
　　(2)針對譜

3、聚類算法的聚類數(shù)目需要人為設(shè)定的問題，給出了一種基于特征間隙的譜聚類改進算法。通過分析規(guī)范化拉普拉斯矩陣的特征值與聚類數(shù)目的關(guān)系，引入特征間隙的概念，計算特征值的本征間隙序列，找到該序列第一個極大值點，該點對應(yīng)的下標(biāo)記即為聚類數(shù)目。通過對合成數(shù)據(jù)集和公共測試集進行試驗測試，表明本文算法能比較準(zhǔn)確的確定聚類數(shù)目，聚類結(jié)果Fmeasure指標(biāo)提高6％左右，且更具魯棒性。
　　(3)本文針對傳統(tǒng)的K-means算法采用隨機初始化的方法初

4、始聚類中心，導(dǎo)致聚類結(jié)果很不穩(wěn)定，易陷入局部最優(yōu)的問題，給出了一種基于密度初始化的譜聚類改進算法。利用自然最近鄰算法得出的密度信息，選取處在高密度區(qū)域的點作為備選初始聚類中心，利用最大最小距離選取最終的k個初始聚類中心，對K-means算法初始化，避免算法陷入局部最優(yōu)，出現(xiàn)不穩(wěn)定聚類結(jié)果的情況。本文在公開測試數(shù)據(jù)集上進行試驗驗證本算法的性能。
　　(4)改進的自適應(yīng)譜聚類算法在火焰圖像分割中的應(yīng)用。本文將基于自然最近鄰和特征間隙的