摘要
现有核聚类算法需要学习完整的核矩阵,计算效率较低,仅适用于小规模数据,对此提出了基于图谱理论的核函数分类算法。首先,基于图谱理论建立无标记数据的相似度图;然后,计算其拉普拉斯矩阵,并选取拉普拉斯矩阵的部分特征向量来学习;最后,利用核K-means算法实现数据分类。对比实验结果证明,本算法在具有较好聚类性能的前提下,计算效率明显优于其他同类型算法,并适合中型及大型规模数据分类处理。
For the problem that the existing kernel clustering approaches need to learn the entire kernel matrix with the low compute efficiency, aimed at it proposed a clustering approach based on the spectral. Firstly, it based on spectral construct the similarity graph ; then, computed the Laplacian matrix for the graph and select little part of the matrix to learn; lastly, realized the classification with kernel K-means approach. The simulating results prove that the proposed approach has better compute efficiency than the other keruel clustering approaches with a comparable clustering performance and works for big scale data.
出处
《计算机应用研究》
CSCD
北大核心
2016年第8期2331-2334,共4页
Application Research of Computers
基金
国家自然科学基金资助项目(61100034
61170043)
中国博士后科学基金资助项目(20110491411)
江苏省博士后科研计划资助项目(1101092C)
安徽省高校省级科学研究项目(KJ2011B108)
安徽省高等学校省级质量工程项目(2015gxk113
2014jyxm524
2013jxtd065)
安徽省2016年高校优秀青年人才支持计划重点项目(gxyq ZD2016531)
