Resumen

Hay dos problemas en el algoritmo tradicional de clustering espectral. En primer lugar, cuando utiliza la función kernel gaussiana para construir la matriz de similitud, diferentes parámetros de escala en la función kernel gaussiana conducirán a diferentes resultados del algoritmo. En segundo lugar, el algoritmo K-means se utiliza a menudo en la etapa de agrupación del algoritmo de agrupación espectral. Necesita inicializar el centro del cluster de forma aleatoria, lo que provocará la inestabilidad de los resultados. En este trabajo, se propone un algoritmo de clustering espectral mejorado para resolver estos dos problemas. Al construir una matriz de similitud, proponemos una función kernel gaussiana mejorada, que se basa en la información de distancia de algunos vecinos más cercanos y puede seleccionar de forma adaptativa los parámetros de escala. En la etapa de agrupación, se propone un algoritmo de búsqueda de antenas de escarabajo con factor de amortiguación para completar la agrupación y superar el problema de la inestabilidad de los resultados de la agrupación. En el experimento, utilizamos cuatro conjuntos de datos artificiales y siete conjuntos de datos UCI para verificar el rendimiento de nuestro algoritmo. Además, en este trabajo se segmentan cuatro imágenes de los conjuntos de datos de imágenes BSDS500, y los resultados muestran que nuestro algoritmo es mejor que otros algoritmos de comparación en la segmentación de imágenes.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:función kernel gaussiana, algoritmo de agrupación espectral, matriz de similitud, algoritmo, etapa de agrupación, datos de imagen bsds500, problema de inestabilidad, kernel gaussiano mejorado, conjunto de datos artificial, conjunto de datos uci
• Keywords:gaussian kernel function, spectral clustering algorithm, similarity matrix, algorithm, clustering stage, bsds500 image data, problem of instability, improved gaussian kernel, artificial data set, uci data set