一种基于L2稀疏限制的特征加权k‑means聚类方法

摘要

一种基于L2稀疏限制的特征加权k‑means聚类方法，包含以下步骤：（1）预处理，把每个数据对象表示成一个特征向量，同时随机初始化分配矩阵、簇中心和权向量，并归一化权向量；（2）计算分配矩阵，计算每个对象与每个簇中心的带权距离，把对象分配到与之具有最小带权距离的簇中；（3）计算簇中心，根据当前分配矩阵计算每个簇的中心；（4）计算特征权重，根据簇内散度和稀疏参数计算每个特征的权重。循环步骤（2）到（4），直到算法收敛。本发明所述方法设计了一种能够集成簇内散度和L2稀疏限制的新目标函数，通过求解目标函数获得各求解步骤和特征权重，通过特征权重鉴别出不同特征的作用，从而提高聚类的性能。

主权项

一种基于L2稀疏限制的特征加权k‑means聚类方法，其特征在于，所述方法包括以下步骤：(1)预处理：把数据集中每个数据对象表示成一个特征向量，即X＝{x₁,x₂,...,x_n}，n为数据对象数目；同时，随机初始化数据对象分配矩阵U，簇中心Z和权重W，并且针对每一个簇归一化其特征权向量；(2)计算数据对象分配矩阵：在给定簇中心Z和特征权重W的情况下，针对每个数据对象，计算该数据对象与每个簇中心的带权距离，并将该数据对象分配到与之具有最小带权距离的簇中；(3)计算簇中心：在给定数据对象分配矩阵U的情况下，针对每个簇中的每个特征计算其算术平均作为簇中心；(4)计算特征权重W：在给定分配矩阵U和簇中心Z的情况下，针对每个簇计算一个特征向量；这个步骤中，首先需要针对每个簇的每个特征计算其散度值；然后根据散度和稀疏参数计算一个阀值；最后根据散度、稀疏参数和阀值计算簇中每个特征的权重；(5)迭代步骤(2)、(3)和(4)，直到算法收敛；通过目标函数值判定算法是否收敛，在算法收敛后，聚类结果保存在分配矩阵U中，而特征权重W用来表示簇中每个特征在簇中的重要性。