麦柯斯韦多妖模型与聚类
本文借助麦克斯韦小妖的构想创立了麦克斯韦多妖机器分类模型，算法的子样聚类部分由于采用了特征属性排序就可以发现类簇分界点，因此算法复杂性主要取决于排序算法。好的排序算法可以做到O(plogP)。通过UCI多个算例验证，该算法是可行的。本算法给静态的元素赋予了类气体分子的随机运动的属性，其子样聚类目标只是确认小妖数和放行标尺。为实现这个目标，其操作仅仅是对特征属性排序的错位断点进行识别。因此，算法的效率比经典的蚂蚁聚类算法LF有显著提高。本算法的瓶颈问题是特征属性的识别。当集合样本提供的维数较高噪声较大时，特征属性的识别将消耗较多的时间，有时还要加上专家因素。其次，由于子样构建的随机性，也将导致最终结果的某些差异，为此，引进精英策略可能是必要的。
机器分类 子样聚类 特征属性 麦柯斯韦多妖模型
王锦彪
中国民航大学计算机科学与技术学院,天津,中国
国内会议
上海
中文
426-431
2011-10-14（万方平台首次上网日期，不代表论文的发表时间）