一种结合贪心选择和特征加权的高维数据聚类算法

doi:10.16180/j.cnki.issn1007-7820.2019.11.014

电子科技 ›› 2019, Vol. 32 ›› Issue (11): 70-73.doi: 10.16180/j.cnki.issn1007-7820.2019.11.014

一种结合贪心选择和特征加权的高维数据聚类算法

向志华,邵亚丽

广东理工学院信息技术学院,广东肇庆 526100

收稿日期:2017-11-30 出版日期:2019-11-15 发布日期:2019-11-15
作者简介:向志华(1982-),女,讲师。研究方向:机器学习与数据挖掘。
基金资助:
广东省教育厅科技项目(201713720010)

A High Dimensional Data Clustering Algorithm Combining Greedy Selection and Feature Weighting

XIANG Zhihua,SHAO Yali

School of Information Technology,Guangdong Polytechnic College,Zhaoqing 526100, China

Received:2017-11-30 Online:2019-11-15 Published:2019-11-15
Supported by:
Science and Technology Project of Guangdong Education Department(201713720010)

摘要/Abstract

摘要：

为解决传统聚类算法无法对高维数据聚类的问题,文中提出了一种结合贪心选择和特征加权的TC-Mean shift高维数据聚类算法。通过对一维数据进行聚类,获得一维数据的聚类结果,再通过加权添加维度聚类,最终获得所有维度数据的聚类,实现对高维数据的聚类。测试结果表明,该算法能够准确地对稀疏的高维数据样本进行聚类,能够处理各种维度的数据,具有良好的实际应用价值。

关键词: 贪心策略, 特征加权, 聚类, 高维数据, Mean shift

Abstract:

In order to solve the problem that traditional clustering algorithms can not cluster high-dimensional data, a high-dimensional data clustering algorithm combining greedy selection and feature weighting was proposed. By clustering one-dimensional feature data, the clustering results of one-dimensional data were obtained first, and then all dimension data were clustered by adding dimension clustering weights to achieve clustering of high-dimensional data. The results showed that the algorithm can accurately cluster sparse high-dimensional data samples and meet the needs of high-dimensional data clustering processing, and had good practical application value.

Key words: greedy strategy, feature weighting, clustering, high-dimensional data, Mean shift

中图分类号:

TP392

向志华,邵亚丽. 一种结合贪心选择和特征加权的高维数据聚类算法[J]. 电子科技, 2019, 32(11): 70-73.

XIANG Zhihua,SHAO Yali. A High Dimensional Data Clustering Algorithm Combining Greedy Selection and Feature Weighting[J]. Electronic Science and Technology, 2019, 32(11): 70-73.

图/表 4

参考文献 13

[1]	隋心怡, 王瑞刚, 张鸿翔 . 一种改进的K-均值聚类算法[J]. 计算机与数字工程, 2018,46(4):682-685.
	Sui Xinyi, Wang Ruigang, Zhang Hongxiang . An improved K-means clustering algorithm[J]. Computer and Digital Engineering, 2018,46(4):682-685.
[2]	费贤举, 李虹, 田国忠 . 基于特征加权理论的数据聚类算法[J].沈阳工业大学学报(自然科学版), 2018(1):77-81.
	Fei Xianju, Li Hong, Tian Guozhong . Data clustering algorithm based on feature weighting theory[J].Journal of Shenyang University of Technology(Natural Science Edition), 2018(1):77-81.
[3]	田帅, 陈谊 . 基于子空间聚类的高维数据可视分析方法综述[J]. 计算机工程与应用, 2018,54(13):25-32.
	Tian Shuai, Chen Yi . Summary of visual analysis of high-dimensional data based on subspace clustering[J]. Computer Engineering and Applications, 2018,54(13):25-32.
[4]	Liu S, Dan M, Wang B , et al. Visualizing high-dimensional data: advances in the past decade[J]. IEEE Transactions on Visualization & Computer Graphics, 2017,23(3):1245-1249.
[5]	Ultsch A, Lötsch J . Machine-learned cluster identification in high-dimensional data[J]. Journal of Biomedical Informatics, 2017,66(5):95-104.
[6]	徐雪丽, 赵学靖 . 稀疏谱聚类算法在高维数据上的应用[J]. 中国科学技术大学学报, 2017,47(4):311-319.
	Xu Xueli, Zhao Xuejing . Application of sparse spectral clustering algorithm to high-dimensional data[J]. Journal of China University of Science and Technology, 2017,47(4):311-319.
[7]	陈海辉, 周向东, 施伯乐 . 基于稀疏正则化的高维数据可视化分析技术[J]. 计算机应用与软件, 2017,34(6):22-26.
	Chen Haihui, Zhou Xiangdong, Shi Baile . High-dimensional data visualization analysis technology based on sparse regularization[J]. Computer Applications and Software, 2017,34(6):22-26.
[8]	唐颖军, 黄淑英, 杨勇 , 等. 图像高维数据的K-means自适应聚类算法[J]. 小型微型计算机系统, 2016,37(8):1854-1856.
	Tang Yingjun, Huang Shuying, Yang Yong , et al. K-means adaptive clustering algorithm for high-dimensional image data[J]. Minicomputer System, 2016,37(8):1854-1856.
[9]	韩素青, 贾茹 . 基于稀疏约束非负矩阵分解的K-means聚类算法[J]. 数据采集与处理, 2017,32(6):1216-1222.
	Han Suqing, Jia Ru . K-means clustering algorithm based on sparse constrained nonnegative matrix factorization[J]. Data Acquisition and Processing, 2017,32(6):1216-1222.
[10]	王召月, 陈丽芳 . 基于Mean-shift全局立体匹配方法[J].计算机工程与科学, 2017(7):88-92.
	Wang Zhaoyue, Chen Lifang . Global stereo matching method based on Mean-shift[J].Computer Engineering and Science, 2017(7):88-92.
[11]	刘靖, 赵逢禹 . 高维数据降维技术及研究进展[J].电子科技, 2018(3):50-53.
	Liu Jing, Zhao Fengyu . High-dimensional data dimension reduction technology and research progress[J]. Electronic Science and Technology, 2018,31(3):50-53.
[12]	Dyer E L, Sankaranarayanan A C, Baraniuk R G . Greedy feature selection for subspace clustering[J]. Journal of Machine Learning Research, 2013,14(9):2487-2517.
[13]	Modha D S, Spangler W S . Feature weighting in K-means clustering[J]. Machine Learning, 2003,52(3):217-237. doi: 10.1023/A:1024016609528

半径	数据集1准确率/%	数据集2准确率/%
0.5	70.6	74.5
0.6	90.6	99.3
0.7	94.5	90.5
0.8	94.1	98.8
0.9	92.5	100.0
1.0	94.6	100.0

[1]	金霄,吴飞,鄢松,陆雯霞,张忠艺. 基于GAWK-means的地铁车站指纹定位方法[J]. 电子科技, 2022, 35(2): 34-39.
[2]	徐航帆,刘丛,唐坚刚,彭敦陆. 改进地标点采样的加速谱聚类算法[J]. 电子科技, 2021, 34(5): 47-53.
[3]	杨珊珊,张大兴,郭家伟,王诗迢. 结合关键点和块优点的复制粘贴检测算法[J]. 电子科技, 2020, 33(3): 38-43.
[4]	缪冉,李菲菲,陈虬. 基于卷积神经网络与多尺度空间编码的场景识别方法[J]. 电子科技, 2020, 33(12): 54-58.
[5]	蓝机满. 基于云计算的数据挖掘系统设计[J]. 电子科技, 2019, 32(8): 70-74.
[6]	张长青,杨楠. 基于车联网大数据分析的实时路况检测系统[J]. 电子科技, 2019, 32(8): 66-70.
[7]	李琪,张欣,张平康,张航. 基于Spark框架的CFSFDP改进算法[J]. 电子科技, 2019, 32(5): 38-44.
[8]	章裕润,吴飞,毛万葵. 基于WiFi-GM指纹的室内定位算法[J]. 电子科技, 2019, 32(5): 49-54.
[9]	孙悦,袁健. 基于Spark的改进随机森林算法[J]. 电子科技, 2019, 32(4): 60-64.
[10]	于慧,王宇嘉,陈强,肖闪丽. 基于多种群动态协同的多目标粒子群算法[J]. 电子科技, 2019, 32(10): 28-33.
[11]	秦海报. 基于模板匹配的快速少纹理目标识别算法[J]. 电子科技, 2019, 32(1): 47-51.
[12]	潘迪. 基于DBSCAN与梯度划分的Kinect障碍物轮廓检测算法[J]. 电子科技, 2019, 32(1): 86-90.
[13]	刘靖, 赵逢禹. 高维数据降维技术及研究进展[J]. , 2018, 31(3): 36-.
[14]	滕泉 1，沈景凤 1，徐斌 2，王玮玮 3. 基于贪婪算法的旅游路线优化问题[J]. , 2017, 30(9): 142-.
[15]	李根，王亚刚，周小伟，张凤登. 一种基于密度均值的谱聚类算法[J]. , 2016, 29(8): 74-.

一种结合贪心选择和特征加权的高维数据聚类算法

A High Dimensional Data Clustering Algorithm Combining Greedy Selection and Feature Weighting

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 4

参考文献 13

相关文章 15

Metrics

本文评价

推荐阅读 10