摘要
利用核函数主元分析(KPCA)方法对大样本、高维数据进行特征提取预处理,并结合文化算法(CA)选择最优或接近最优的核函数,将其用于模糊C均值(FCM)聚类中,不但有效地提取了样本的非线性信息,而且使样本维数得到约简。实验表明该方法具有较好的聚类效果和更少的训练时间。
Kernel PCA method extracts feature from large samples and high dimension data sets,combining CA to select opti- mized kernel function or near optimized kernel function.FCM based on the method not only effectively extracts the nonlinear information from the samples but also reduces dimension.Experiment shows its better clustering result and less train time.
出处
《计算机工程与应用》
CSCD
北大核心
2009年第32期38-40,共3页
Computer Engineering and Applications
基金
国家自然科学基金No.10771092
辽宁省博士启动基金No.20081079
辽宁省教育厅科学技术研究项目No.2008347~~
关键词
核函数主元分析
文化算法
模糊聚类
kernel principle component analysis
cultural algorithm
fuzzy clustering
