双向Boosting 模糊聚类集成
聚类集成是解决聚类若干难题的有效手段。受分类集成Boosting和k中值聚类方法的启发,本文提出了一种双向Boosting的聚类集成方法。在Boosting迭代过程中,根据样本聚类的性能,产生新的样本子集,然后调用基本的模糊聚类方法对新的样本子集进行聚类,利用联合相似性矩阵集成聚类结果。最终的聚类结果是通过在近似矩阵的基础上调用基于距离的聚类方法产生。双向Boosting的重点是产生的训练样本子集,不仅包含了难于聚类的样本,也包含了易于聚类的样本。在仿真数据和真实数据上的实验表明该方法聚类的准确率和稳定性较好。
聚类集成 样本确定性 同现矩阵 模糊聚类
翟素兰 罗斌 郭玉堂
安徽大学人工智能与信号处理实验室,合肥,230039;安徽大学数学与计算科学学院,合肥,230039 安徽大学人工智能与信号处理实验室,合肥,230039 安徽大学人工智能与信号处理实验室,合肥,230039;安徽省教育学院计算机科学技术系,合肥,230061
国内会议
湖南张家界
中文
549-553
2007-07-26（万方平台首次上网日期，不代表论文的发表时间）