2021-03-01

 An Ensemble Clusterer of Multiple Fuzzy k-Means Clusterings to Recognize Arbitrarily Shaped Clusters

1.引言

  1.1本文针对的问题：

现有的集成方法很难集成多个模糊k-均值聚类来寻找任意形状的簇，而对于谱聚类，密度聚类在大规模数据聚类上需要花费大量时间

  1.2前提：

我们假设一个基本聚类的聚类中心可以很好地表示其邻域中的对象

  1.3本文主要内容

1.提出了成员可信度的评价函数

2.使用MFKM算法，用于产生具有不同局部可信度空间的多个聚类。

3.基于基聚类的局部可信空间非直接重叠部分，构建基聚类中所以簇的连接图

4.基于成员可信函数和关系图决定最终聚类结果

2.相关工作

本部分主要介绍什么是聚类集成

聚类集成主要有两个任务：①构建基聚类generator ②设计策略来聚合基聚类得到最终输出分区

构建基聚类generator方法：①重复运行具有不同参数的聚类算法来产生基聚类 ②运用不同类型的聚类算法产生基聚类 ③在数据子空间或样本上运行一个或多个聚类算法

集成策略方法：①成对相似性方法 ②基于图的方法 ③基于重新标记的方法 ④基于特征的方法

3.新的聚类集成算法

3.1产生多个基聚类，得到它们的隶属度矩阵和簇矩阵

首先是提出了成员可信度函数，如下所示

，

其中里面的参数E（最右边）的含义为：局部可信度空间

此时在引入seta，取值范围在[0，1]，新的目标函数就成为

文章提出了增量式学习的方法，用于更新seta

因此可以得到步骤1的算法流程图，最后输出基聚类的隶属度矩阵和簇中心矩阵

 

3.2构建簇之间的联系，得到最终的输出分区

由于簇的局部可再生空间的重叠通常很小或很小

因此提出了非直接重叠部分

若两个簇中心的距离不超过4*deta，那么我们称这两个簇中心关于潜在簇中心（也就是这两个簇的平均点重叠），如下图所示

对于这个非间接重叠部分我们则需要考虑两个因素：①簇中心之间的相似性 ②潜在簇中心的局部可信空间中的密度

①簇中心之间的相似性公式如下：

②潜在簇中心的局部可信空间中的密度公式如下：

最后将这两个参数整合到一起

根据上述公式可以得到一个无项权重图，这样问题就变成了一个切图问题，通过采用谱聚类的方法得到最终的输出结果

据此，可以得到步骤2的流程图

实验结果就不说了，有兴趣的自己看~