数据挖掘中如何根据数据之间的相似度确定簇(Cluster)数一直是聚类算法中需要解决的难题。文中在经典谱聚(Spectral Clustering)算法的基础上提出了一种基于特征间隙检测簇数的谱聚类算法(Spectral Clustering with Identifying Cluster...
详细信息
数据挖掘中如何根据数据之间的相似度确定簇(Cluster)数一直是聚类算法中需要解决的难题。文中在经典谱聚(Spectral Clustering)算法的基础上提出了一种基于特征间隙检测簇数的谱聚类算法(Spectral Clustering with Identifying Clustering Number based on Eigengap,SC-ICNE)。通过构建规范的拉普拉斯矩阵,顺序求解其特征值和相应特征向量,并得到矩阵相邻特征值的间隙,通过判断特征间隙的位置来确定簇数k。最后,通过对前k个特征向量的k-means算法实现数据集的聚类。文中通过仿真分析了高斯相似度函数对SC-ICNE聚类性能的影响,在非凸球形数据集和UCI数据集上进行了性能仿真,并和k-means聚类算法进行了对比,在检测簇数和聚类准确性方面,验证了SC-ICNE算法的有效性。
针对压缩感知(Compressed Sensing,CS)中信号重构的l1-正则化问题中的l1-正则项非光滑,求解比较困难,提出了交替方向外点持续法(Alternating Direction Exterior Point Continuation Method,ADEPCM).该算法首先将信号的稀疏域的l1-正则...
详细信息
针对压缩感知(Compressed Sensing,CS)中信号重构的l1-正则化问题中的l1-正则项非光滑,求解比较困难,提出了交替方向外点持续法(Alternating Direction Exterior Point Continuation Method,ADEPCM).该算法首先将信号的稀疏域的l1-正则化问题通过变量分裂(Variable Splitting,VS)技术转化为与之等价的约束优化问题;然后采用一步Gauss-Seidel思想,对优化问题中的变量最小化,并采用持续的思想更新罚参数,重构出信号的稀疏系数;最后进行正交反变换,重构出原始信号.并将ADEPCM用于图像重构,进行了仿真实验及对实验结果进行了分析.实验结果表明:与现有的一些重构算法相比,ADEPCM具有稍高的峰值信噪比(Peak Signal to Noise Ratio,PSNR)和更快速的收敛速度.
暂无评论