计算机工程 2011, 37(9) 216-217,220 DOI:     ISSN: 1000-3428 CN: 31-1289/TP           
  

本期目录 | 下期目录 | 过刊浏览 | 高级检索                                                            [打印本页]   [关闭]
人工智能及识别技术
扩展功能
本文信息
Supporting info
PDF(345KB)
[HTML] 下载
参考文献[PDF]
参考文献
服务与反馈
把本文推荐给朋友
加入我的书架
加入引用管理器
引用本文
Email Alert
文章反馈
浏览反馈信息
本文关键词相关文章
拉普拉斯特征映射
仿射传播
Dijkstra算法
归一化互信息
本文作者相关文章
张亮
杜子平
张俊
李杨
PubMed
Article by Zhang, L.
Article by Du, Z. B.
Article by Zhang, D.
Article by Li, Y.
基于拉普拉斯特征映射的仿射传播聚类
张 亮,杜子平,张 俊,李 杨
(天津科技大学经济与管理学院,天津 300222)
摘要: 仿射传播方法难以处理具有流形结构的数据集。为此,提出一种基于拉普拉斯特征映射的仿射传播聚类算法(APPLE),在标准仿射传播的基础上增强流形学习的能力。使用测地距离计算数据点间相似度,采用拉普拉斯特征映射对数据集进行降维及特征提取。对图像聚类应用的实验结果证明了APPLE的聚类效果优于标准仿射传播方法。
关键词拉普拉斯特征映射   仿射传播   Dijkstra算法   归一化互信息  
Affinity Propagation Clustering Based on Laplacian Eigenmaps
ZHANG Liang, DU Zi-ping, ZHANG Jun, LI Yang
(School of Economics and Management, Tianjin University of Science and Technology, Tianjin 300222, China)
Abstract: Affinity propagation is often limited by its inability to cluster datasets with inherent manifold structures. A novel clustering method, namely Affinity Propagation with Laplacian Eigenmaps(APPLE), is proposed to address this problem. It enhances the standard affinity propagation with manifold learning capacity. Geodesic distance is used to compute affinity between data points. Laplacian eigenmaps are applied to reduce the dimensionality and to extract features. Experimental results show APPLE outperforms standard affinity propagation in application of image clustering.
Keywords: Laplacian eigenmaps   Affinity Propagation(AP)   Dijkstra algorithm   Normalized Mutual Information(NMI)  
收稿日期  修回日期  网络版发布日期  
DOI:
基金项目:

国家自然科学基金资助项目(70671074);天津市科技发展战略研究计划基金资助项目(10ZLZLZF04900)

通讯作者:
作者简介: 张 亮(1979-),男,讲师、博士,主研方向:机器学习,人工智能;杜子平,教授、博士、博士生导师;张 俊、李 杨,讲师、博士
通讯作者E-mail: zhangliang@tust.edu.cn

参考文献:
[1]Frey B J, Dueck D. Clustering by Passing Messages Between Data Points[EB/OL]. (2007-02-15). http://www.sciecnemag.org.
[2]代 松, 李伟生. 基于亲和传递聚类的多类物体识别方法[J].计算机工程.2009, 35(14):206-208  浏览
[3]Feil B, Abonyi J. Geodesic Distance Based Fuzzy Clustering[J].Advances in Intelligent and Soft Computing.2007, 39:50-59
[4]曾宪华, 罗四维, 王 娇, 等. 基于测地线距离的广义高斯型Laplacian特征映射[J].软件学报.2009, 20(4):815-824
[5]Belkin M, Niyogi P. Laplacian Eigenmaps for Dimensionality Reduction and Data Representation[R]. University of Chicago, Technical Report: TR 2001-01, 2001.
[6]Bousquet O, Chapelle O, Hein M. Measure Based Regulariza- tion[M]. Cambridge, USA: MIT Press, 2004.
[7]Blum A, Chawla S. Learning from Labeled and Unlabeled Data Using Graph Mincuts[C]//Proceedings of the 18th International Conference on Machine Learning. San Francisco, USA: Morgan Kaufmann Publishers, 2001.
本刊中的类似文章
1.周 梅;刘秉瀚.基于拉普拉斯特征映射的分类器设计[J]. 计算机工程, 2009,35(16): 178-179

文章评论

Copyright by 计算机工程