计算机应用

作者：王梅, 宋晓晖, 刘勇, 许传海

单位：1.东北石油大学 计算机与信息技术学院, 黑龙江 大庆 163318；2.黑龙江省石油大数据与智能分析重点实验室(东北石油大学), 黑龙江 大庆 163318；3.中国人民大学 高瓴人工智能学院, 北京 100872；4.大数据管理与分析方法研究北京市重点实验室(中国人民大学), 北京 100872

关键词：神经正切核,K?Means,核聚类,特征空间,核函数

基金：国家自然科学基金资助项目(51774090);黑龙江省博士后科研启动金资助项目(LBH?Q20080);黑龙江省自然科学基金资助项目(LH2020F003);黑龙江省高等教育教学改革重点委托项目(SJGZ20190011)

针对K-Means聚类算法利用均值更新聚类中心，导致聚类结果受样本分布影响的问题，提出了神经正切核K-Means聚类算法（NTKKM）。首先通过神经正切核（NTK）将输入空间的数据映射到高维特征空间，然后在高维特征空间中进行K-Means聚类，并采用兼顾簇间与簇内距离的方法更新聚类中心，最后得到聚类结果。在car和breast-tissue数据集上，对NTKKM聚类算法的准确率、调整兰德系数（ARI）及FM指数这3个评价指标进行统计。实验结果表明，NTKKM聚类算法的聚类效果以及稳定性均优于K?Means聚类算法和高斯核K-Means聚类算法。NTKKM聚类算法与传统的K-Means聚类算法相比，准确率分别提升了14.9%和9.4%，ARI分别提升了9.7%和18.0%，FM指数分别提升了12.0%和12.0%，验证了NTKKM聚类算法良好的聚类性能。

来源：2022年第11期

《计算机应用》期刊编辑部

查看计算机应用杂志2022年第11期