✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab完整代码及仿真定制内容点击👇
🔥 内容介绍
本文提出了一种基于锚图的模糊聚类方法,称为 LGFCA,它可以同时实现子空间学习和聚类,并保持数据的局部-全局结构。具体来说,该方法将样本特征转换为模糊子空间,其中潜在表示可以自然地表达隶属度并展现出更具判别性的分布。
1. 概述
模糊聚类是一种常用的无监督学习方法,其目标是将数据点划分为不同的簇,每个数据点都属于多个簇,并具有相应的隶属度。传统的模糊聚类方法通常只考虑数据的局部结构,而忽略了数据的全局结构。这会导致聚类结果对噪声和异常值敏感,并且难以发现数据中的高维结构。
为了解决上述问题,本文提出了一种基于锚图的模糊聚类方法,称为 LGFCA。该方法通过构建锚图来捕获数据的全局结构,并将其融入到模糊聚类过程中。锚图是一种特殊的图结构,它将数据点映射到高维空间,并根据数据点之间的相似性建立连接。通过使用锚图,LGFCA 可以有效地学习数据的全局结构,并将其用于提高聚类性能。
2. 相关工作
近年来,基于图的聚类方法得到了广泛的关注。这些方法通过构建图结构来捕获数据的结构信息,并将其用于提高聚类性能。例如,谱聚类方法通过计算图的拉普拉斯矩阵来进行聚类。然而,传统的基于图的聚类方法通常只考虑数据的局部结构,而忽略了数据的全局结构。
为了解决上述问题,一些研究者提出了基于锚图的聚类方法。锚图是一种特殊的图结构,它将数据点映射到高维空间,并根据数据点之间的相似性建立连接。通过使用锚图,基于锚图的聚类方法可以有效地学习数据的全局结构,并将其用于提高聚类性能。
3. 方法
LGFCA 方法主要包括以下几个步骤:
-
数据预处理:将原始数据转换为特征向量。
-
构建锚图:根据数据点之间的相似性构建锚图。
-
模糊子空间学习:将特征向量转换为模糊子空间,并学习每个数据点在每个子空间的隶属度。
-
聚类:根据数据点在模糊子空间的隶属度进行聚类。
4. 实验结果
为了验证 LGFCA 方法的有效性,我们在多个数据集上进行了实验。实验结果表明,LGFCA 方法在聚类精度和鲁棒性方面都优于传统的模糊聚类方法和基于图的聚类方法。
5. 结论
本文提出了一种基于锚图的模糊聚类方法,称为 LGFCA。该方法通过构建锚图来捕获数据的全局结构,并将其融入到模糊聚类过程中。实验结果表明,LGFCA 方法在聚类精度和鲁棒性方面都优于传统的模糊聚类方法和基于图的聚类方法。
⛳️ 运行结果
🔗 参考文献
author={Wang, Jingyu and Guo, Shengzhao and Nie, Feiping and Li, Xuelong},
journal={IEEE Transactions on Fuzzy Systems},
title={Local-Global Fuzzy Clustering With Anchor Graph},
year={2024},
volume={32},
number={1},
pages={188-202},
doi={10.1109/TFUZZ.2023.3294921}}
🎈 部分理论引用网络文献,若有侵权联系博主删除
🎁 关注我领取海量matlab电子书和数学建模资料
👇 私信完整代码和数据获取及论文数模仿真定制
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划(2E-VRP)、充电车辆路径规划(EVRP)、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题
2 机器学习和深度学习方面
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类