基于流形學(xué)習(xí)的數(shù)據(jù)聚類與可視化.pdf

1、隨著數(shù)據(jù)采集技術(shù)、通信技術(shù)和網(wǎng)絡(luò)技術(shù)的迅速發(fā)展，人們?cè)趯?shí)際獲取的數(shù)據(jù)維數(shù)越來(lái)越高，如何有效的描述高維數(shù)據(jù)，實(shí)現(xiàn)數(shù)據(jù)分析，如聚類已成為一個(gè)熱點(diǎn)研究方向。論文借助流形學(xué)習(xí)的思想對(duì)數(shù)據(jù)進(jìn)行約簡(jiǎn)處理，將高維數(shù)據(jù)映射到維結(jié)構(gòu)空間，然后在低維空間實(shí)現(xiàn)數(shù)據(jù)聚類。論文的主要內(nèi)容和創(chuàng)新如下：
　　1．針對(duì)LPP算法不能有效的保留數(shù)據(jù)間的多樣性信息，受啟發(fā)于PCA和流形學(xué)習(xí)，利用鄰接圖描述數(shù)據(jù)的內(nèi)在幾何結(jié)構(gòu)，較好的刻畫了數(shù)據(jù)的相似幾何屬性和多樣性幾何

2、屬性，給出了分別度量相似性和多樣性的離散度矩陣，提出了一種基于最小化相似離散度和最大化多樣性離散度的準(zhǔn)則的聚類算法（Local Similarity and Diversity Preserving Projection Clustering,LSDPC），該算法首先對(duì)數(shù)據(jù)進(jìn)行降維，然后在投影空間中，使用k-means算法對(duì)數(shù)據(jù)聚類，和傳統(tǒng)的聚類算法相比，LSDPC克服了數(shù)據(jù)維數(shù)的影響，且能夠得到能有效的代表高維數(shù)據(jù)的低維表示，實(shí)驗(yàn)驗(yàn)證

3、了該算法的有效性。
　　2．基于半監(jiān)督的聚類算法只適合于低維數(shù)據(jù)，導(dǎo)致實(shí)際效果不好，提出一種基于判別分析的半監(jiān)督聚類算法（Local Discriminant Embedding Semi-supervision Clustering）LDESC來(lái)解決高維數(shù)據(jù)的聚類問(wèn)題。該算法首先構(gòu)造兩個(gè)鄰接圖，同類局部鄰接圖和不同類類間鄰接圖，其中同類局部鄰接圖主要包括描述同類局部相似幾何信息和同類局部多樣性幾何屬性的鄰接圖，然后給出了分別度量