叠加信息熵游走数据聚类算法

doi:10.3969/j.issn.1001-2400.2018.04.014

西安电子科技大学学报

叠加信息熵游走数据聚类算法

续拓;李洁;王颖

(西安电子科技大学电子工程学院，陕西西安 710071)

收稿日期:2017-11-03 出版日期:2018-08-20 发布日期:2018-09-25
作者简介:续拓(1993-)，男，西安电子科技大学硕士研究生，E-mail：2509870854@qq.com
基金资助:
国家自然科学基金资助项目(61432014，61172146，61201294)；中央高校基本科研专项资金资助项目(JB140225)；高等学校博士学科点专项科研基金资助项目(20120203120009，20121401120015)

Clustering by samples movement in the superposition information entropy field

XU Tuo;LI Jie;WANG Ying

(School of Electronic Engineering, Xidian Univ., Xian 710071, China)

Received:2017-11-03 Online:2018-08-20 Published:2018-09-25

摘要/Abstract

摘要：

在数据聚类的过程中，由于样本数据空间分布的复杂性，相似度度量过程中的重复性以及算法的自适应性等问题，聚类算法往往无法得到正确的聚类结果．为了解决样本数据空间分布复杂的问题，提出叠加信息熵数据游走聚类算法．该算法通过在数值空间构建样本叠加信息熵场，并通过数据游走进行数据分割实现聚类．实验结果表明，该算法不仅可以获得较好的聚类效果，同时具有较高的数据自适应性．

关键词: 聚类, 信息熵, 数据游走

Abstract:

The essence of clustering is to compare the similarities among samples on different scales. Due to the complexity of the spatial distribution of sample data, the similarity measurement in the process of repeatability, and the algorithm for adaptive problems, the clustering algorithm cannot lead to the correct result in the process of data clustering. In order to solve the complex problem of spatial distribution of sample data, we present a data migration clustering algorithm based on superposition information entropy, which is used to construct the entropy field of the data in the numerical space, and the datawandering to implement data segmentation and complete clustering. Experimental results show that this method can not only obtain a better clustering effect, but also have data adaptability.

Key words: custering, information entropy field, samples movement

续拓;李洁;王颖. 叠加信息熵游走数据聚类算法[J]. 西安电子科技大学学报, 2018, 45(4): 75-79+154.

XU Tuo;LI Jie;WANG Ying. Clustering by samples movement in the superposition information entropy field[J]. Journal of Xidian University, 2018, 45(4): 75-79+154.

参考文献

［1］ BEKKERMAN R, ZILBERSTEIN S, ALLAN J. Web Page Clustering Using Heuristic Search in the Web Graph［C］//Proceedings of the 2007 20th International Joint Conference on Artifical Intelligence. Burlington: Morgan Kaufmann Publishers, 2007: 2280-2285.
［2］ BANKO M. Open Information Extraction for the Web［D］. Washington: University of Washington, 2009.
［3］ LITA L V, CARBONELL J. Cluster-based Selection of Statistical Answering Strategies［C］//Proceedings of the 2007 20th International Joint Conference on Artifical Intelligence. Burlington: Morgan Kaufmann Publishers, 2007:1653-1658.
［4］ WANG F, WANG X, LI T. Generalized Cluster Aggregation［C］//Proceedings of the 2009 21st International Joint Conference on Artificial Intelligence. United States: International Joint Conferences on Artificial Intelligence, 2009:1279-1284.
［5］ XU R, WUNSCH D. Survey of Clustering Algorithms［J］. IEEE Transactions on Neural Networks, 2005, 16(3): 645-678.
［6］ JAIN A K. Data Clustering: 50 Years Beyond K-means［J］. Pattern Recognition Letters, 2010, 31(8): 651-666.
［7］ PARK H S, JUN C H. A Simple and Fast Algorithm for K-medoids Clustering［J］. Expert Systems with Applications, 2009, 36(2): 3336-3341.
［8］ KAUR P. Outlier Detection Using Kmeans and Fuzzy Min Max Neural Network in Network Data［C］//Proceedings of the 2016 8th International Conference on Computational Intelligence and Communication Networks. Piscataway: IEEE, 2016: 693-696.
［9］ HATAMLOU A. In Search of Optimal Centroids on Data Clustering Using a Binary Search Algorithm［J］. Pattern Recognition Letters, 2012, 33(13): 1756-1760.
［10］ RODRIGUEZ A, LAIO A. Clustering by Fast Search and Find of Density Peaks［J］. Science, 2014, 344(6191): 1492-1496.
［11］黄伟华, 马中, 戴新发, 等. 一种特征加权模糊聚类的负载均衡算法［J］. 西安电子科技大学学报, 2017, 44(2): 127-132.
HUANG Weihua, MA Zhong, DAI Xinfa, et al. Fuzzy Clustering Based Load Balancing Algorithm with Feature Weighted ［J］. Journal of Xidian University, 2017, 44(2): 127-132.
［12］张雨禾, 耿国华, 魏潇然, 等. 采用密度空间聚类的散乱点云特征提取方法［J］. 西安电子科技大学学报, 2017, 44(2): 114-120.
ZHANG Yuhe, GENG Guohua, WEI Xiaoran, et al. Feature Extraction of Point Clouds Using the DBSCAN Clustering ［J］. Journal of Xidian University, 2017, 44(2): 114-120.

[1]	张春祥,周雪松,高雪瑶,刘欢. 融合k均值聚类与LSTM网络的半监督词义消歧[J]. 西安电子科技大学学报, 2021, 48(6): 161-171.
[2]	张佳琦,陶海红,张修社,韩春雷. 一种利用量测空间聚类的多帧检测前跟踪算法[J]. 西安电子科技大学学报, 2021, 48(5): 231-238.
[3]	王波,邓科. DB-SMOTE及多层堆叠用于心律失常识别[J]. 西安电子科技大学学报, 2021, 48(4): 136-143.
[4]	何云斌,冷欣,万静. 不平衡数据加权边界点集成欠采样方法[J]. 西安电子科技大学学报, 2021, 48(4): 176-183.
[5]	周建宇,位寅生,许荣庆. 一种改进模糊C均值聚类的电离层杂波分类方法[J]. 西安电子科技大学学报, 2021, 48(2): 35-41.
[6]	孙骞,张家瑞,高岭,王宇翔,杨建锋. 一种改进的边缘层节点健康态势预估方法[J]. 西安电子科技大学学报, 2020, 47(3): 32-39.
[7]	李钊,袁文浩,任崇广,黄程程,董霄霄. 跨层精度自动调节的k均值聚类近似计算方法[J]. 西安电子科技大学学报, 2020, 47(3): 50-57.
[8]	刘永利,郭呈怡,刘静,吴岩. 结合FCS的多视图模糊聚类算法[J]. 西安电子科技大学学报, 2019, 46(4): 99-106.
[9]	张书博,任淑霞,吴涛. 结合概率矩阵的改进谱聚类社区发现算法[J]. 西安电子科技大学学报, 2019, 46(3): 167-172.
[10]	刘景美,韩庆庆,沈志威,刘景伟. 采用k均值聚类的物理层密钥生成方案[J]. 西安电子科技大学学报, 2019, 46(1): 8-13.
[11]	赵彤,李先圣,张雷,丁恩杰,胡延军. 煤矿井下区间分段视距节点合作定位算法[J]. 西安电子科技大学学报, 2019, 46(1): 166-173.
[12]	刘道华, 胡秀云, 赵岩松, 崔玉爽. 一种动态分群带熵权的粒子群优化方法[J]. 西安电子科技大学学报, 2018, 45(6): 69-74.
[13]	杨利英;杨胜楠;袁细国;耿芳歌;张军英. 泛癌症DNA甲基化位点聚类分析[J]. 西安电子科技大学学报, 2018, 45(4): 23-28.
[14]	崔华;袁超;魏泽发;李盼侬;宋鑫鑫;纪宇;刘云飞. 利用FCM对静态图像进行交通状态识别[J]. 西安电子科技大学学报, 2017, 44(6): 79-84.
[15]	吴成茂;上官若愚. 嵌入隐马尔科夫随机场的中智模糊聚类算法[J]. 西安电子科技大学学报, 2017, 44(6): 103-108+121.

叠加信息熵游走数据聚类算法

Clustering by samples movement in the superposition information entropy field

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10