[發明專利]基于Self-tuning的局部密度譜聚類相似度量算法

在審

• 申請號: 201410498330.8
• 申請日: 2014-09-25
• 公開（公告）號: CN104318241A
• 公開（公告）日: 2015-01-28
• 發明（設計）人: 陳雷霆;蔡洪斌;邱航;關亞勇;曹躍;崔金鐘;盧光輝
• 申請（專利權）人: 東莞電子科技大學電子信息工程研究院
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 成都中亞專利代理有限公司 51126
• 代理人: 何淵

1.一種基于Self-tuning的局部密度譜聚類相似度量算法，其特征在于，該方法包括如下步驟：

(1)假設對于N維的數據集S＝{s₁，s₂，...，s_M}∈R^M×N，其樣本個數為M，每一個樣本s_i為N維數據點，其真實的聚類數目為C；將數據集S進行歸一化處理，使得特征數據歸一化到[0，1]之間，去除數據特征之間數量級的影響；

(2)計算數據集S所有數據點對之間的歐式距離，表示為{d₁,d₂，...,d_n(n-1)/2}；

(3)根據步驟(2)求取的歐式距離d計算表示局部密度的半徑ε的值，該值滿足數據點的平均鄰居數是總數據數的2％-3％；

(4)根據公式σ_i＝d(s_i，s_k)計算數據集S中每一個數據點s_i的局部尺度σ_i，其中k的取值為2；

(5)將步驟(3)中計算的半徑ε和步驟(4)中計算的局部尺度σ帶入公式AL(sisj)=exp(-d2(sisj)σiσj(CNN(si,sj)+1)),]]>求解出相似矩陣A；

(6)定義對角矩陣D，使得即對角陣D主對角線元素值為相似矩陣A每一行元素的行和，其余元素值為0；

(7)根據對角陣D和相似矩陣求解歸一化的拉普拉斯矩陣L，其中L＝D^-1/2(D-A)D^-1/2；

(8)求解拉普拉斯矩陣L的前C個最小的特征值對應的特征向量，組成新的特征向量空間X＝{x₁，x₂，...，x_M}∈R^M×C，其中每一列對應一個特征向量；

(9)對特征向量空間X進行歸一化的處理，得到新的特征向量空間Y＝{y₁，y₂，...，y_M}∈R^M×C，其中

(10)將Y的每一行看作一個樣本數據點，對Y進行K-means聚類，將Y劃分為C個類別，C＝{C₁,C₂，...，C_C}；

(11)將原數據集S的每一行和Y的每一行對應，如果y_i屬于類C_i，則s_i也屬于類C_i，這樣就將數據集S劃分為C個類別。