CINgydF4y2Ba 计算智能和神经科学gydF4y2Ba 1687 - 5273gydF4y2Ba 1687 - 5265gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2020/1648573gydF4y2Ba 1648573gydF4y2Ba 研究文章gydF4y2Ba 谱聚类算法的基础上改进的高斯核函数和甲虫天线搜索与阻尼因子gydF4y2Ba 张gydF4y2Ba 哲gydF4y2Ba https://orcid.org/0000 - 0003 - 4976 - 9227gydF4y2Ba 刘gydF4y2Ba 西域gydF4y2Ba 王gydF4y2Ba 林gydF4y2Ba DoulamisgydF4y2Ba Anastasios D。gydF4y2Ba 商学院gydF4y2Ba 山东师范大学gydF4y2Ba 济南gydF4y2Ba 中国gydF4y2Ba sdnu.edu.cngydF4y2Ba 2020年gydF4y2Ba 29日gydF4y2Ba 5gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 14gydF4y2Ba 01gydF4y2Ba 2020年gydF4y2Ba 02gydF4y2Ba 05年gydF4y2Ba 2020年gydF4y2Ba 29日gydF4y2Ba 5gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 版权©2020哲Zhang et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

有两个问题在传统的谱聚类算法。首先,当它使用高斯核函数构造相似度矩阵,不同尺度参数的高斯核函数的算法会导致不同的结果。其次,k - means算法常用的谱聚类算法的聚类阶段。它需要随机初始化聚类中心,这将导致不稳定的结果。本文提出一种改进的谱聚类算法来解决这两个问题。在构建相似性矩阵,我们提出了一种改进的高斯核函数,它是基于一些最近的邻居的距离信息,可以自适应地选择参数。在聚类阶段,甲虫天线与阻尼因子,提出了搜索算法,完成聚类来克服聚类结果不稳定的问题。在实验中,我们使用四个人工数据集和七个UCI数据集来验证算法的性能。此外,四个图像BSDS500图像数据集分割,结果表明,我们的算法比其他在图像分割算法进行比较。gydF4y2Ba

 中国国家自然科学基金gydF4y2Ba 61876101gydF4y2Ba 61802234gydF4y2Ba 61806114gydF4y2Ba 山东省政府gydF4y2Ba 16 bglj06gydF4y2Ba 11 cglj22gydF4y2Ba ZR2019QF007gydF4y2Ba 博士后项目gydF4y2Ba 2017年m612339gydF4y2Ba 2018年m642695gydF4y2Ba 中华人民共和国教育部的gydF4y2Ba 19 yjczh244gydF4y2Ba 博士后特别资助项目gydF4y2Ba 2019年t120607gydF4y2Ba 1。介绍gydF4y2Ba

聚类分析是数据挖掘领域的一个重要的研究问题。聚类的目的是将数据集划分为不同的簇之间的内在结构和关系数据显示,同一集群内的数据点之间的相似性较高,在不同的集群和数据点之间的相似性较低。主要聚类方法包括partitioning-based聚类、层次聚类,density-based集群、基于网格的聚类、基于理论的聚类图。不同的聚类算法也应用于不同的领域,如图像分割(gydF4y2Ba 1gydF4y2Ba- - - - - -gydF4y2Ba 4gydF4y2Ba),文本聚类(gydF4y2Ba 5gydF4y2Ba,gydF4y2Ba 6gydF4y2Ba),和社区部门(gydF4y2Ba 7gydF4y2Ba- - - - - -gydF4y2Ba 9gydF4y2Ba]。gydF4y2Ba

谱聚类是一种基于图论的聚类算法。由谱图分区理论(gydF4y2Ba 10gydF4y2Ba),数据集的聚类问题转化为图划分问题。在光谱聚类,每个数据点被认为是图的顶点,和数据点之间的相似性被认为是边缘的重量。图,除以重量之和边缘的子图是尽可能高,和边缘的重量之和之间不同的子图是尽可能低。gydF4y2Ba

1973年,Donath和霍夫曼(gydF4y2Ba 10gydF4y2Ba)首次提出的概念图分区基于邻接矩阵,标志着正式的谱聚类的诞生。同年,菲德勒[gydF4y2Ba 11gydF4y2Ba)发现,双向无向图的分区是密切相关的第二个小特征值对应的特征向量对应的拉普拉斯算子矩阵,它提供了一种新方法来解决图像分区的问题。2000年,史和马利克(gydF4y2Ba 12gydF4y2Ba)提出了标准的目标函数,也称为N-cut标准,基于光谱理论。2001年,丁等。gydF4y2Ba 13gydF4y2Ba]提出了基于N-cut最大和最小割集的标准,这两个需求平衡的最小部门损失和最大顶点数量的子图,使部门更倾向于平衡较小的子图的割集和避免分割只有几个顶点。2002年,约旦,维斯和Ng (gydF4y2Ba 14gydF4y2Ba]提出NJW算法,它不同于双向部门。该算法是基于gydF4y2Ba kgydF4y2Ba收费方法,也是目前使用最广泛的谱聚类算法。尽管谱聚类的良好发展,算法本身仍存在一些问题,比如如何选择高斯核函数的尺度参数。2004年,学者gydF4y2Ba 15gydF4y2Ba)已经证明规模参数的选择将会影响聚类的结果。为了解决这个问题,Zhang et al。gydF4y2Ba 16gydF4y2Ba)提出了相似矩阵的施工方法基于局部密度。Nataliani和杨gydF4y2Ba 17gydF4y2Ba)提出了一个能量高斯核函数来解决这个问题。gydF4y2Ba

甲虫天线搜索算法(BAS)是一种优化算法受甲虫的觅食原理提出的江和李gydF4y2Ba 18gydF4y2Ba2017年)。通过模拟甲虫的检测功能的触角和甲虫的机制的随机行走,一种优化机制类似于甲虫的觅食过程实现。根据食物的气味,甲虫的移动方向。当左触手强烈的气味,它将向左移动;否则,它就会向右移动。通过随机定向机制和可变步长机制,甲虫可以搜索全球范围。与其它智能算法相比,该算法不需要知道具体形式的梯度信息和功能,具有收敛速度快、低要求的参数。因此,它已经在一些领域的应用。王旭和刘刚(gydF4y2Ba 19gydF4y2Ba)结合BAS的反向神经网络算法预测风暴灾害的损失。陈等人。gydF4y2Ba 20.gydF4y2Ba)使用基于BAS算法的粒子群优化算法来解决投资组合模型。王,陈gydF4y2Ba 21gydF4y2Ba]提出一种蜜蜂群天线搜索算法(bsa)。gydF4y2Ba

本文的主要贡献如下:(1)提出了相似矩阵的施工方法,它使用一些最近的邻居的距离信息定义尺度参数gydF4y2Ba σgydF4y2Ba为了克服人工指定尺度参数的影响gydF4y2Ba σgydF4y2Ba的结果。(2)在聚类阶段,我们使用该甲虫天线与阻尼因子(dba)搜索算法,完成聚类。通过这样一种智能优化算法,我们可以克服集群中心的随机初始化的影响结果,当k - means用于传统的谱聚类。和阻尼因素克服了迭代过程中的振荡,提高了算法的稳定性。gydF4y2Ba

本文的内容组织如下。节gydF4y2Ba 3gydF4y2Ba,一种改进的谱聚类算法基于一些最近的邻居和甲虫天线的距离信息搜索算法提出了阻尼因子。部分gydF4y2Ba 4gydF4y2Ba通过实验分析表明该算法的性能。结论将在部分gydF4y2Ba 5gydF4y2Ba。gydF4y2Ba

 2。谱聚类和甲虫天线搜索算法gydF4y2Ba 2.1。谱聚类gydF4y2Ba

谱聚类算法使用拉普拉斯算子矩阵的特征向量对应的数据集集群。谱聚类算法,首先,一个无向图gydF4y2Ba GgydF4y2Ba =gydF4y2Ba VgydF4y2Ba ,gydF4y2Ba EgydF4y2Ba 根据数据点构造。每个顶点gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba 在图上对应于一个数据点,和体重gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 边缘数据点之间的相似性。一般来说,我们使用高斯核函数构造相似矩阵。然后,我们可以得到一个学位矩阵gydF4y2Ba DgydF4y2Ba ,gydF4y2Ba dgydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba wgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba ,其主对角线元素之和等于行元素对应的相似矩阵。通常有三种方法来构造拉普拉斯算子矩阵gydF4y2Ba lgydF4y2Ba :(1)非正规拉普拉斯算子矩阵,(2)规范化对称拉普拉斯算子矩阵gydF4y2Ba lgydF4y2Ba =gydF4y2Ba 我gydF4y2Ba −gydF4y2Ba DgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba WgydF4y2Ba DgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba ,(3)归一化不对称拉普拉斯算子矩阵gydF4y2Ba lgydF4y2Ba =gydF4y2Ba DgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba WgydF4y2Ba DgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 。特征向量gydF4y2Ba egydF4y2Ba 1gydF4y2Ba egydF4y2Ba 2gydF4y2Ba …gydF4y2Ba egydF4y2Ba kgydF4y2Ba 对应于第一个gydF4y2Ba kgydF4y2Ba拉普拉斯矩阵的特征值可以计算和设置gydF4y2Ba UgydF4y2Ba =gydF4y2Ba egydF4y2Ba 1gydF4y2Ba egydF4y2Ba 2gydF4y2Ba …gydF4y2Ba egydF4y2Ba kgydF4y2Ba 。然后,一个新特性矩阵gydF4y2Ba FgydF4y2Ba 通过正常化gydF4y2Ba UgydF4y2Ba 。特征矩阵中的每一行gydF4y2Ba FgydF4y2Ba 被认为是一个样本,这是集群获得一组集群gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba CgydF4y2Ba kgydF4y2Ba 。NJW算法(gydF4y2Ba 14gydF4y2Ba)是最常用的谱聚类算法。NJW算法的基本步骤中显示算法gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

 2.2。甲虫天线搜索算法(BAS)gydF4y2Ba

基于甲虫的觅食的原则,三个优化策略可以简化:(1)的左和右天线甲虫位于两边的个体。(2)每个操作的步长比两个天线之间的距离是一个固定的常数。(3)移动后,其头部的方向是随机的。然后,我们可以建立一个优化模型(甲虫是简化为一个人):gydF4y2Ba

为一个优化问题gydF4y2Ba ngydF4y2Ba维空间,gydF4y2Ba xgydF4y2Ba lgydF4y2Ba 用于表示左边的坐标天线的一个个体,gydF4y2Ba xgydF4y2Ba rgydF4y2Ba 代表正确的一个个体,天线的坐标gydF4y2Ba xgydF4y2Ba 是质心坐标。gydF4y2Ba DgydF4y2Ba 0gydF4y2Ba 是两个天线之间的距离。由于个人的取向是随机每次运动后,向量的方向,个人的权利指向左边也是随机的。它可以表示通过规范化的随机向量gydF4y2Ba dgydF4y2Ba 我gydF4y2Ba rgydF4y2Ba =gydF4y2Ba dgydF4y2Ba 我gydF4y2Ba rgydF4y2Ba /gydF4y2Ba ngydF4y2Ba ogydF4y2Ba rgydF4y2Ba 米gydF4y2Ba rgydF4y2Ba 一个gydF4y2Ba ngydF4y2Ba dgydF4y2Ba 年代gydF4y2Ba ngydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba 。有gydF4y2Ba xgydF4y2Ba lgydF4y2Ba −gydF4y2Ba xgydF4y2Ba rgydF4y2Ba =gydF4y2Ba DgydF4y2Ba 0gydF4y2Ba ∗gydF4y2Ba dgydF4y2Ba 我gydF4y2Ba rgydF4y2Ba 。gydF4y2Ba

最小化目标函数gydF4y2Ba fgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba fgydF4y2Ba 左gydF4y2Ba =gydF4y2Ba fgydF4y2Ba xgydF4y2Ba lgydF4y2Ba 和gydF4y2Ba fgydF4y2Ba 正确的gydF4y2Ba =gydF4y2Ba fgydF4y2Ba xgydF4y2Ba rgydF4y2Ba 。如果gydF4y2Ba fgydF4y2Ba 左gydF4y2Ba 小于gydF4y2Ba fgydF4y2Ba 正确的gydF4y2Ba ,那么个人旅行的方向离开天线一步,否则,个人的距离一步朝着正确的天线方向。gydF4y2Ba

 (1)gydF4y2Ba xgydF4y2Ba =gydF4y2Ba xgydF4y2Ba −gydF4y2Ba 一步gydF4y2Ba ∗gydF4y2Ba 正常的gydF4y2Ba xgydF4y2Ba lgydF4y2Ba −gydF4y2Ba xgydF4y2Ba rgydF4y2Ba ∗gydF4y2Ba 标志gydF4y2Ba fgydF4y2Ba 左gydF4y2Ba −gydF4y2Ba fgydF4y2Ba 正确的gydF4y2Ba 。gydF4y2Ba

重复第1步和第2步,直到达到最大迭代次数或个人不会改变gydF4y2Ba 米gydF4y2Ba迭代。gydF4y2Ba

3所示。改进的谱聚类算法gydF4y2Ba

在本节中,我们改进高斯核函数和BAS算法,分别。后使用新的高斯核函数构造相似度矩阵,利用谱聚类算法得到一个新特性矩阵,然后,我们用改进的BAS算法集群。gydF4y2Ba

3.1。一种改进的高斯核函数gydF4y2Ba

在传统的谱聚类中,相似矩阵通常是根据高斯核函数构造公式的算法gydF4y2Ba 1gydF4y2Ba,在那里gydF4y2Ba σgydF4y2Ba 尺度参数;一般来说,规模参数gydF4y2Ba σgydF4y2Ba 人工选择。2004年,学者gydF4y2Ba 15gydF4y2Ba)证明规模参数的选择将会影响聚类的结果。为了解决这个问题,本文提出一种基于距离的相似矩阵的构建方法信息的一些最近的邻居:gydF4y2Ba (2)gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 经验值gydF4y2Ba −gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba −gydF4y2Ba xgydF4y2Ba jgydF4y2Ba 2gydF4y2Ba σgydF4y2Ba 我gydF4y2Ba σgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba σgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba ggydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ggydF4y2Ba dgydF4y2Ba 我gydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba jgydF4y2Ba ,这是平均距离最近的gydF4y2Ba ggydF4y2Ba 点与点gydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba ggydF4y2Ba 样本总数的比例是集群的数量的平方。gydF4y2Ba ggydF4y2Ba =gydF4y2Ba NgydF4y2Ba /gydF4y2Ba kgydF4y2Ba 2gydF4y2Ba ,在那里gydF4y2Ba NgydF4y2Ba 样品和总数吗gydF4y2Ba kgydF4y2Ba 是集群的数量。gydF4y2Ba

<大胆>算法1:< /大胆> NJW算法。gydF4y2Ba

步骤1:使用高斯核函数构造相似矩阵gydF4y2Ba WgydF4y2Ba 。gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 经验值gydF4y2Ba −gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba −gydF4y2Ba xgydF4y2Ba jgydF4y2Ba 2gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba σgydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

步骤2:度矩阵gydF4y2Ba DgydF4y2Ba ,gydF4y2Ba dgydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba wgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 。gydF4y2Ba

步骤3:建立一个规范化的对称拉普拉斯算子矩阵gydF4y2Ba lgydF4y2Ba =gydF4y2Ba 我gydF4y2Ba −gydF4y2Ba DgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba WgydF4y2Ba DgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

第四步:计算特征向量gydF4y2Ba vgydF4y2Ba 对应于第一个gydF4y2Ba kgydF4y2Ba的特征值gydF4y2Ba lgydF4y2Ba ,构造特征矩阵gydF4y2Ba UgydF4y2Ba 。gydF4y2Ba

第五步:规范化特征矩阵gydF4y2Ba UgydF4y2Ba 获得归一化矩阵gydF4y2Ba YgydF4y2Ba ,其中包含gydF4y2Ba ngydF4y2Ba点在空间减少gydF4y2Ba kgydF4y2Ba维度。gydF4y2Ba

第六步:把每一行gydF4y2Ba YgydF4y2Ba 作为一个点,集群通过k - means算法。gydF4y2Ba

3.2。甲虫天线搜索算法和阻尼因子(dba)gydF4y2Ba

就像前面提到的gydF4y2Ba 2.2gydF4y2Ba,个人的方向是随机在每个迭代中。这导致更多的振荡过程中算法的迭代。有可能的结果gydF4y2Ba 米gydF4y2Ba+ 1迭代比的gydF4y2Ba 米gydF4y2Ba多次迭代。我们提出了阻尼因子添加到个人的位置更新公式,更新位置信息通过使用迭代的结果最后迭代。公式被描述为gydF4y2Ba (3)gydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ∗gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba dgydF4y2Ba 一个gydF4y2Ba 米gydF4y2Ba pgydF4y2Ba +gydF4y2Ba xgydF4y2Ba tgydF4y2Ba ∗gydF4y2Ba dgydF4y2Ba 一个gydF4y2Ba 米gydF4y2Ba pgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba xgydF4y2Ba tgydF4y2Ba 表示位置gydF4y2Ba tgydF4y2Ba−1日迭代,gydF4y2Ba dgydF4y2Ba 一个gydF4y2Ba 米gydF4y2Ba pgydF4y2Ba ∈gydF4y2Ba 0.5gydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba

我们用阻尼因子的算法和该算法没有阻尼因子实验在Iris数据集。图gydF4y2Ba 1gydF4y2Ba表明,阻尼因子添加到算法可以有效地克服迭代过程中的振荡问题。gydF4y2Ba

BAS的迭代结果有或没有阻尼因子的虹膜数据集。(BAS)。(b) BAS与阻尼因子。gydF4y2Ba

 3.3。SC-DBAS算法gydF4y2Ba

首先,我们使用高斯核函数基于一些最近的邻居的距离信息(公式gydF4y2Ba 2gydF4y2Ba)来构造相似矩阵,然后计算矩阵和拉普拉斯矩阵相应的学位。我们首先选择相对应的特征向量gydF4y2Ba kgydF4y2Ba拉普拉斯矩阵的最小特征值来构造一个特征矩阵,然后得到一个新的特征矩阵规范化。矩阵的每一行是一个样本点。对于这样一个新的数据集,我们随机初始化一群集群中心作为一个个体,然后使用dba算法集群。SC-DBAS算法流算法gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

<大胆>算法2:< /大胆> SC-DBAS算法。gydF4y2Ba

输入:数据集X数量的集群K, dba算法的迭代次数NgydF4y2Ba

步骤1:构造相似矩阵,gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 经验值gydF4y2Ba −gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba −gydF4y2Ba xgydF4y2Ba jgydF4y2Ba 2gydF4y2Ba /gydF4y2Ba σgydF4y2Ba 我gydF4y2Ba σgydF4y2Ba jgydF4y2Ba

第二步:构造矩阵程度gydF4y2Ba DgydF4y2Ba ,gydF4y2Ba dgydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba wgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba

步骤3:构建拉普拉斯矩阵gydF4y2Ba lgydF4y2Ba =gydF4y2Ba 我gydF4y2Ba −gydF4y2Ba DgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba WgydF4y2Ba DgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba

第四步:计算特征向量gydF4y2Ba egydF4y2Ba 1gydF4y2Ba egydF4y2Ba 2gydF4y2Ba …gydF4y2Ba egydF4y2Ba kgydF4y2Ba 对应于第一个gydF4y2Ba kgydF4y2Ba拉普拉斯矩阵的最小特征值形成了特征矩阵gydF4y2Ba UgydF4y2Ba

第五步:规范化特征矩阵gydF4y2Ba UgydF4y2Ba 得到一个新特性矩阵gydF4y2Ba FgydF4y2Ba

第六步:治疗特征矩阵的每一行gydF4y2Ba FgydF4y2Ba 作为一个数据点,随机初始化一群集群中心作为一个个体gydF4y2Ba

第七步:随机初始化一群集群中心作为一个个体gydF4y2Ba

第八步:计算合适的天线的健身gydF4y2Ba fgydF4y2Ba 正确的gydF4y2Ba 和左边的天线gydF4y2Ba fgydF4y2Ba 左gydF4y2Ba 当前的个人,gydF4y2Ba fgydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba ∑gydF4y2Ba 1gydF4y2Ba KgydF4y2Ba ∑gydF4y2Ba ∀gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba CgydF4y2Ba KgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba −gydF4y2Ba μgydF4y2Ba kgydF4y2Ba 2gydF4y2Ba

第九步:更新个人位置信息gydF4y2Ba xgydF4y2Ba tgydF4y2Ba =gydF4y2Ba xgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba egydF4y2Ba pgydF4y2Ba ∗gydF4y2Ba ngydF4y2Ba ogydF4y2Ba rgydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba xgydF4y2Ba tgydF4y2Ba _gydF4y2Ba lgydF4y2Ba −gydF4y2Ba xgydF4y2Ba tgydF4y2Ba _gydF4y2Ba rgydF4y2Ba ∗gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ggydF4y2Ba ngydF4y2Ba fgydF4y2Ba tgydF4y2Ba _gydF4y2Ba lgydF4y2Ba egydF4y2Ba fgydF4y2Ba tgydF4y2Ba −gydF4y2Ba fgydF4y2Ba tgydF4y2Ba _gydF4y2Ba lgydF4y2Ba 我gydF4y2Ba ggydF4y2Ba hgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ∗gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba dgydF4y2Ba 一个gydF4y2Ba 米gydF4y2Ba pgydF4y2Ba +gydF4y2Ba xgydF4y2Ba tgydF4y2Ba ∗gydF4y2Ba dgydF4y2Ba 一个gydF4y2Ba 米gydF4y2Ba pgydF4y2Ba

第十步:重复步骤8和9直到到达最大迭代次数gydF4y2Ba

第11步:根据集群中心对应于最后一个人位置,集群gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba …gydF4y2Ba CgydF4y2Ba kgydF4y2Ba 获得gydF4y2Ba

输出:gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba …gydF4y2Ba CgydF4y2Ba kgydF4y2Ba

3.4。计算复杂度gydF4y2Ba

该算法的计算复杂度可以计算如下:SC-DBAS算法分为三个部分:(1)建立一个类似的图,这需要gydF4y2Ba OgydF4y2Ba ngydF4y2Ba 2gydF4y2Ba (2)特征值分解,需要gydF4y2Ba OgydF4y2Ba ngydF4y2Ba 3gydF4y2Ba ,(3)聚类通过使用dba算法,它需要gydF4y2Ba OgydF4y2Ba ngydF4y2Ba kgydF4y2Ba lgydF4y2Ba ,在那里gydF4y2Ba kgydF4y2Ba集群中心的数量和吗gydF4y2Ba lgydF4y2Ba是迭代的数量。根据大的符号gydF4y2Ba OgydF4y2Ba,该算法的计算复杂度gydF4y2Ba OgydF4y2Ba ngydF4y2Ba 3gydF4y2Ba 。gydF4y2Ba

 4所示。实验结果和分析gydF4y2Ba 4.1。实验设置gydF4y2Ba

所有的实验都是在电脑上进行与英特尔酷睿i5 - 3230 m CPU, 8 GB RAM。实验环境是Matlab 2016 b。在实验中,我们比较该算法和k - means, NJW [gydF4y2Ba 14gydF4y2Ba],MPSC算法[gydF4y2Ba 22gydF4y2Ba],PGSC算法[gydF4y2Ba 17gydF4y2Ba[],SC-NP算法gydF4y2Ba 23gydF4y2Ba)在四个人工数据集和七个UCI数据集。该算法还将利用BSDS500数据集的图像进行图像分割。在图像分割的实验部分,比较算法k - means, NJW [gydF4y2Ba 14gydF4y2Ba],PGSC算法[gydF4y2Ba 17gydF4y2Ba[],SC-NP算法gydF4y2Ba 23gydF4y2Ba]。gydF4y2Ba

在实验中,参数设置如下:步骤= 0.1;一步调整系数η= 0.95;步进之间的比率gydF4y2Ba DgydF4y2Ba 0gydF4y2Ba 是5;迭代的次数gydF4y2Ba ngydF4y2Ba= 100;和潮湿= 0.5。数据集的信息如表所示gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

数据集信息。gydF4y2Ba

数据集gydF4y2Ba 对象gydF4y2Ba 属性gydF4y2Ba 类gydF4y2Ba 源gydF4y2Ba
虹膜gydF4y2Ba 150年gydF4y2Ba 4gydF4y2Ba 3gydF4y2Ba UCIgydF4y2Ba
酒gydF4y2Ba 178年gydF4y2Ba 13gydF4y2Ba 3gydF4y2Ba UCIgydF4y2Ba
种子gydF4y2Ba 210年gydF4y2Ba 6gydF4y2Ba 3gydF4y2Ba UCIgydF4y2Ba
动物园gydF4y2Ba 101年gydF4y2Ba 16gydF4y2Ba 7gydF4y2Ba UCIgydF4y2Ba
玻璃gydF4y2Ba 214年gydF4y2Ba 10gydF4y2Ba 6gydF4y2Ba UCIgydF4y2Ba
声纳gydF4y2Ba 208年gydF4y2Ba 60gydF4y2Ba 2gydF4y2Ba UCIgydF4y2Ba
电离层gydF4y2Ba 351年gydF4y2Ba 34gydF4y2Ba 2gydF4y2Ba UCIgydF4y2Ba
螺旋gydF4y2Ba 944年gydF4y2Ba 2gydF4y2Ba 2gydF4y2Ba 人工gydF4y2Ba
两个月亮gydF4y2Ba 2000年gydF4y2Ba 2gydF4y2Ba 2gydF4y2Ba 人工gydF4y2Ba
三个圈gydF4y2Ba 3603年gydF4y2Ba 2gydF4y2Ba 3gydF4y2Ba 人工gydF4y2Ba
锯齿形gydF4y2Ba 1002年gydF4y2Ba 2gydF4y2Ba 3gydF4y2Ba 人工gydF4y2Ba
4.2。评价指标gydF4y2Ba

在实验中,我们用四个指标来评价聚类结果:准确性、阿里、F1分数,和时间。gydF4y2Ba

准确率:准确率代表的数量的比例正确聚类样本的样本总数,gydF4y2Ba VgydF4y2Ba标签和分工gydF4y2Ba UgydF4y2Ba是真正的标签:gydF4y2Ba

(4)gydF4y2Ba 一个gydF4y2Ba cgydF4y2Ba cgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba kgydF4y2Ba 马克斯gydF4y2Ba jgydF4y2Ba vgydF4y2Ba 我gydF4y2Ba ∩gydF4y2Ba ugydF4y2Ba jgydF4y2Ba ,gydF4y2Ba

阿里:有四种情况下通过比较计算结果gydF4y2Ba VgydF4y2Ba与真正的标签gydF4y2Ba UgydF4y2Ba。党卫军包含示例对属于同一集群中gydF4y2Ba VgydF4y2Ba和相同的集群gydF4y2Ba UgydF4y2Ba。SD包含示例对属于同一集群中gydF4y2Ba VgydF4y2Ba但不相同的集群gydF4y2Ba UgydF4y2Ba。DS包含样品对不属于同一集群中gydF4y2Ba VgydF4y2Ba但属于同一集群中gydF4y2Ba UgydF4y2Ba。DD包含样品对不属于同一集群中gydF4y2Ba VgydF4y2Ba和不属于同一集群中gydF4y2Ba UgydF4y2Ba。集gydF4y2Ba 年代gydF4y2Ba 年代gydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba DgydF4y2Ba =gydF4y2Ba bgydF4y2Ba ,gydF4y2Ba DgydF4y2Ba 年代gydF4y2Ba =gydF4y2Ba cgydF4y2Ba ,gydF4y2Ba DgydF4y2Ba DgydF4y2Ba =gydF4y2Ba dgydF4y2Ba ;有gydF4y2Ba

 (5)gydF4y2Ba 阿里gydF4y2Ba =gydF4y2Ba 2gydF4y2Ba 一个gydF4y2Ba dgydF4y2Ba −gydF4y2Ba bgydF4y2Ba cgydF4y2Ba 一个gydF4y2Ba +gydF4y2Ba bgydF4y2Ba bgydF4y2Ba +gydF4y2Ba dgydF4y2Ba +gydF4y2Ba 一个gydF4y2Ba +gydF4y2Ba cgydF4y2Ba cgydF4y2Ba +gydF4y2Ba dgydF4y2Ba 。gydF4y2Ba

阿里的价值越大,聚类结果更符合实际情况。gydF4y2Ba

F1得分:F1得分是信息检索的常用的评估标准。这是一个基于精度和召回的加权调和平均值。它的定义如下,gydF4y2Ba 一个gydF4y2Ba,gydF4y2Ba bgydF4y2Ba,gydF4y2Ba cgydF4y2Ba定义了在上面的内容:gydF4y2Ba

(6)gydF4y2Ba FgydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 2gydF4y2Ba ∗gydF4y2Ba PgydF4y2Ba ∗gydF4y2Ba RgydF4y2Ba PgydF4y2Ba +gydF4y2Ba RgydF4y2Ba ,gydF4y2Ba PgydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba 一个gydF4y2Ba +gydF4y2Ba bgydF4y2Ba ,gydF4y2Ba RgydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba 一个gydF4y2Ba +gydF4y2Ba cgydF4y2Ba 。gydF4y2Ba

时间:在本文中,我们使用每个算法运行100次的平均时间作为评价指标。gydF4y2Ba

4.3。数据集实验结果分析gydF4y2Ba 4.3.1。人工数据集的实验结果gydF4y2Ba

表gydF4y2Ba 2gydF4y2Ba显示了六种算法的实验结果在四个人工数据集。从图gydF4y2Ba 2gydF4y2Ba,我们可以看到,我们的算法可以划分数据集的各种结构。gydF4y2Ba

六精度算法在人工数据集。gydF4y2Ba

数据集gydF4y2Ba k - meansgydF4y2Ba NJWgydF4y2Ba MPSCgydF4y2Ba PGSCgydF4y2Ba SC-NPgydF4y2Ba SC-DBASgydF4y2Ba
螺旋gydF4y2Ba 0.5975gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 0.5890gydF4y2Ba 1gydF4y2Ba
两个月亮gydF4y2Ba 0.7337gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 0.7170gydF4y2Ba 1gydF4y2Ba
三个圈gydF4y2Ba 0.5554gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 0.5753gydF4y2Ba 1gydF4y2Ba
锯齿形gydF4y2Ba 0.7076gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 0.7275gydF4y2Ba 1gydF4y2Ba

使用该算法对聚类结果的人工数据集。(一)螺旋。(b)三个圆圈。(c)两颗卫星。(d)锯齿形。gydF4y2Ba

 4.3.2。UCI数据集的实验结果gydF4y2Ba

表gydF4y2Ba 3gydF4y2Ba和图gydF4y2Ba 3gydF4y2Ba显示六个算法的实验结果在七UCI数据集。通过比较结果,我们可以看到,本文提出的算法执行比其他五个算法和只有一个较短的运行时间。gydF4y2Ba

六种算法在UCI数据集的结果。gydF4y2Ba

数据集gydF4y2Ba 评价指标gydF4y2Ba k - meansgydF4y2Ba NJWgydF4y2Ba MPSCgydF4y2Ba PGSCgydF4y2Ba SC-NPgydF4y2Ba SC-DBASgydF4y2Ba
虹膜gydF4y2Ba 精度gydF4y2Ba 0.8933gydF4y2Ba 0.8933gydF4y2Ba 0.9067gydF4y2Ba 0.9000gydF4y2Ba 0.8933gydF4y2Ba 0.9600gydF4y2Ba
阿里gydF4y2Ba 0.5516gydF4y2Ba 0.6850gydF4y2Ba 0.7583gydF4y2Ba 0.8859gydF4y2Ba 0.8797gydF4y2Ba 0.9195gydF4y2Ba
F1的分数gydF4y2Ba 0.8918gydF4y2Ba 0.8988gydF4y2Ba 0.9057gydF4y2Ba 0.8988gydF4y2Ba 0.8918gydF4y2Ba 0.9332gydF4y2Ba
时间(年代)gydF4y2Ba 0.2610gydF4y2Ba 0.5164gydF4y2Ba 0.5880gydF4y2Ba 0.0669gydF4y2Ba 0.7841gydF4y2Ba 0.0553gydF4y2Ba
酒gydF4y2Ba 精度gydF4y2Ba 0.6530gydF4y2Ba 0.6742gydF4y2Ba 0.5505gydF4y2Ba 0.6067gydF4y2Ba 0.6910gydF4y2Ba 0.7247gydF4y2Ba
阿里gydF4y2Ba 0.7943gydF4y2Ba 0.8986gydF4y2Ba 0.9310gydF4y2Ba 0.5614gydF4y2Ba 0.6938gydF4y2Ba 0.7395gydF4y2Ba
F1的分数gydF4y2Ba 0.6363gydF4y2Ba 0.6276gydF4y2Ba 0.6057gydF4y2Ba 0.6510gydF4y2Ba 0.6531gydF4y2Ba 0.7302gydF4y2Ba
时间(年代)gydF4y2Ba 0.2206gydF4y2Ba 0.4845gydF4y2Ba 0.4020gydF4y2Ba 0.0443gydF4y2Ba 0.9687gydF4y2Ba 0.0638gydF4y2Ba
种子gydF4y2Ba 精度gydF4y2Ba 0.7008gydF4y2Ba 0.7905gydF4y2Ba 0.7194gydF4y2Ba 0.8810gydF4y2Ba 0.8905gydF4y2Ba 0.9000gydF4y2Ba
阿里gydF4y2Ba 0.7006gydF4y2Ba 0.7022gydF4y2Ba 0.6865gydF4y2Ba 0.8594gydF4y2Ba 0.8681gydF4y2Ba 0.8787gydF4y2Ba
F1的分数gydF4y2Ba 0.8897gydF4y2Ba 0.8150gydF4y2Ba 0.8914gydF4y2Ba 0.8813gydF4y2Ba 0.8913gydF4y2Ba 0.9092gydF4y2Ba
时间(年代)gydF4y2Ba 0.2195gydF4y2Ba 0.4893gydF4y2Ba 0.4641gydF4y2Ba 0.0403gydF4y2Ba 1.0381gydF4y2Ba 0.0641gydF4y2Ba
动物园gydF4y2Ba 精度gydF4y2Ba 0.6534gydF4y2Ba 0.6337gydF4y2Ba 0.8119gydF4y2Ba 0.8713gydF4y2Ba 0.8416gydF4y2Ba 0.8713gydF4y2Ba
阿里gydF4y2Ba 0.6359gydF4y2Ba 0.7441gydF4y2Ba 0.7758gydF4y2Ba 0.8962gydF4y2Ba 0.8994gydF4y2Ba 0.9012gydF4y2Ba
F1的分数gydF4y2Ba 0.6319gydF4y2Ba 0.8038gydF4y2Ba 0.8389gydF4y2Ba 0.8190gydF4y2Ba 0.8045gydF4y2Ba 0.8540gydF4y2Ba
时间(年代)gydF4y2Ba 0.2561gydF4y2Ba 0.5035gydF4y2Ba 0.2844gydF4y2Ba 0.0555gydF4y2Ba 0.9538gydF4y2Ba 0.0608gydF4y2Ba
玻璃gydF4y2Ba 精度gydF4y2Ba 0.7913gydF4y2Ba 0.6542gydF4y2Ba 0.8131gydF4y2Ba 0.7897gydF4y2Ba 0.8832gydF4y2Ba 0.8598gydF4y2Ba
阿里gydF4y2Ba 0.7375gydF4y2Ba 0.5718gydF4y2Ba 0.7767gydF4y2Ba 0.8206gydF4y2Ba 0.8552gydF4y2Ba 0.8817gydF4y2Ba
F1的分数gydF4y2Ba 0.6812gydF4y2Ba 0.5515gydF4y2Ba 0.6872gydF4y2Ba 0.7509gydF4y2Ba 0.6973gydF4y2Ba 0.7364gydF4y2Ba
时间(年代)gydF4y2Ba 0.2418gydF4y2Ba 0.4335gydF4y2Ba 0.5547gydF4y2Ba 0.0512gydF4y2Ba 0.9710gydF4y2Ba 0.0712gydF4y2Ba
声纳gydF4y2Ba 精度gydF4y2Ba 0.3942gydF4y2Ba 0.3701gydF4y2Ba 0.4346gydF4y2Ba 0.5385gydF4y2Ba 0.5337gydF4y2Ba 0.5721gydF4y2Ba
阿里gydF4y2Ba 0.0827gydF4y2Ba 0.0022gydF4y2Ba 0.1324gydF4y2Ba 0.5006gydF4y2Ba 0.4999gydF4y2Ba 0.5080gydF4y2Ba
F1的分数gydF4y2Ba 0.4623gydF4y2Ba 0.6119gydF4y2Ba 0.5556gydF4y2Ba 0.5370gydF4y2Ba 0.5593gydF4y2Ba 0.5716gydF4y2Ba
时间(年代)gydF4y2Ba 0.2422gydF4y2Ba 0.5950gydF4y2Ba 0.4181gydF4y2Ba 0.0587gydF4y2Ba 1.6458gydF4y2Ba 0.0794gydF4y2Ba
电离层gydF4y2Ba 精度gydF4y2Ba 0.3589gydF4y2Ba 0.6182gydF4y2Ba 0.7094gydF4y2Ba 0.6410gydF4y2Ba 0.6410gydF4y2Ba 0.7379gydF4y2Ba
阿里gydF4y2Ba 0.3240gydF4y2Ba 0.4237gydF4y2Ba 0.4772gydF4y2Ba 0.4989gydF4y2Ba 0.5253gydF4y2Ba 0.6121gydF4y2Ba
F1的分数gydF4y2Ba 0.4149gydF4y2Ba 0.6885gydF4y2Ba 0.6902gydF4y2Ba 0.6188gydF4y2Ba 0.6817gydF4y2Ba 0.7431gydF4y2Ba
时间(年代)gydF4y2Ba 0.2105gydF4y2Ba 1.011gydF4y2Ba 0.892gydF4y2Ba 0.1354gydF4y2Ba 2.8606gydF4y2Ba 0.1108gydF4y2Ba

六种算法在UCI数据集的结果。(a)的准确性。(b)阿里。(c) F1得分。(d)时间(s)。gydF4y2Ba

 4.4。SC-DBAS算法在图像分割中的应用gydF4y2Ba

Clustering-based图像分割是基于图像像素之间的相似度;通过一些聚类算法,像素分为不同的集群,以完整的原始图像的分割。gydF4y2Ba

在本节中,我们部门的一些图像BSDS500数据集。481∗321像素图像,如果我们把每个像素作为一个数据点,将会有154401数据点。因此,为了减少数据点的规模,我们首先使用SLIC算法(gydF4y2Ba 24gydF4y2Ba)执行presegmentation (superpixel细分)的形象。每个superpixel oversegmented地区,被认为是一个数据点。然后,该算法用于分割图像。在这项实验中,superpixels的每个图像的数量是200。算法的比较实验中使用k - means, NJW [gydF4y2Ba 14gydF4y2Ba],PGSC算法[gydF4y2Ba 17gydF4y2Ba[],SC-NP算法gydF4y2Ba 23gydF4y2Ba]。然后,我们可以给出图的结果gydF4y2Ba 4gydF4y2Ba。gydF4y2Ba

(一)原始图像,(b) k - means, (c) NJW, (d) PGSC, (e) SC-NP,我们的算法(f)。gydF4y2Ba

从实验结果中,我们可以看到,我们的算法可以分割对象和背景更好,而其他四个比较算法将错误的分割区域。分割精度结果如表所示gydF4y2Ba 4gydF4y2Ba。gydF4y2Ba

5算法精度的图像。gydF4y2Ba

k - meansgydF4y2Ba NJWgydF4y2Ba PGSCgydF4y2Ba SC-NPgydF4y2Ba SC-DBASgydF4y2Ba
图1gydF4y2Ba 0.8804gydF4y2Ba 0.9483gydF4y2Ba 0.9483gydF4y2Ba 0.9304gydF4y2Ba 0.9943gydF4y2Ba
图2gydF4y2Ba 0.5562gydF4y2Ba 0.5562gydF4y2Ba 0.5347gydF4y2Ba 0.9942gydF4y2Ba 0.9969gydF4y2Ba
图片3gydF4y2Ba 0.9520gydF4y2Ba 0.9696gydF4y2Ba 0.9729gydF4y2Ba 0.9722gydF4y2Ba 0.9741gydF4y2Ba
图片4gydF4y2Ba 0.9902gydF4y2Ba 0.9883gydF4y2Ba 0.9920gydF4y2Ba 0.9917gydF4y2Ba 0.9924gydF4y2Ba
5。结论gydF4y2Ba

在本文中,一种改进的谱聚类算法与改进的BAS算法相结合。该算法首先提高了建筑的相似性矩阵,它使用一些最近的邻居的距离信息的每一个点来计算相应的尺度参数。在集群的阶段,我们提出了BAS与阻尼因子聚类算法,可以克服原算法振荡的问题多次迭代过程。实验结果表明,我们的算法比其它算法在UCI数据集,人工数据集,和图像分割。然而,在图像分割中的应用,我们的结果将影响superpixel分割的影响。未来的工作是改善我们的算法,它不需要进行预处理,图像分割,可以直接分割图像,我们将使用更多的真实的图像和医学图像来验证我们的算法。gydF4y2Ba

 数据可用性gydF4y2Ba

手动生成的四个人工数据集可以通过联系作者。七个UCI数据集的现有文献中经常使用UCI机器学习库可以在gydF4y2Ba http://archive.ics.uci.edu/ml/datasets.phpgydF4y2Ba。四个测试图像来自伯克利计算机视觉组,伯克利分割数据集,和基准500 (BSDS500),这是可用的gydF4y2Ba https://www2.eecs.berkeley.edu/Research/Projects/CS/vision/grouping/resources.htmlgydF4y2Ba。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 确认gydF4y2Ba

本研究项目是由中国国家自然科学基金(61876101,61876101,61806114),山东省社会科学基金项目、中国(16 bglj06和11 cglj22),山东省自然科学基金项目,中国(ZR2019QF007),博士后项目,中国(2017年m612339和2018 m642695),人文社会科学青年基金的教育部,中国(19 yjczh244),和博士后特别资助项目,中国(2019 t120607)。gydF4y2Ba

 刘gydF4y2Ba 答:观测。gydF4y2Ba 香港燕gydF4y2Ba H。gydF4y2Ba 法律gydF4y2Ba n . F。gydF4y2Ba 基于自适应图像分割集群原型的评估gydF4y2Ba IEEE模糊系统gydF4y2Ba 2005年gydF4y2Ba 13gydF4y2Ba 4gydF4y2Ba 444年gydF4y2Ba 453年gydF4y2Ba 10.1109 / tfuzz.2004.841748gydF4y2Ba 2 - s2.0 - 26844546953gydF4y2Ba 东gydF4y2Ba F。gydF4y2Ba 黄gydF4y2Ba 一个。gydF4y2Ba ClausigydF4y2Ba d . A。gydF4y2Ba 使可伸缩的谱聚类的图像分割gydF4y2Ba 模式识别gydF4y2Ba 2010年gydF4y2Ba 43gydF4y2Ba 12gydF4y2Ba 4069年gydF4y2Ba 4076年gydF4y2Ba 10.1016 / j.patcog.2010.06.015gydF4y2Ba 2 - s2.0 - 77957020072gydF4y2Ba 杨ydF4y2Ba W。gydF4y2Ba 史gydF4y2Ba 年代。gydF4y2Ba 锅gydF4y2Ba lgydF4y2Ba 张gydF4y2Ba G。gydF4y2Ba 王gydF4y2Ba lgydF4y2Ba 非监督变化检测SAR图像中基于频差和修改后的模糊c均值聚类gydF4y2Ba 国际遥感杂志》上gydF4y2Ba 2018年gydF4y2Ba 39gydF4y2Ba 10gydF4y2Ba 3055年gydF4y2Ba 3075年gydF4y2Ba 10.1080 / 01431161.2018.1434325gydF4y2Ba 2 - s2.0 - 85049031734gydF4y2Ba 阿里gydF4y2Ba H。gydF4y2Ba RadagydF4y2Ba lgydF4y2Ba BadshahgydF4y2Ba N。gydF4y2Ba 图像分割的强度不均匀性高噪音的存在gydF4y2Ba IEEE图像处理gydF4y2Ba 2018年gydF4y2Ba 27gydF4y2Ba 99年gydF4y2Ba 10.1109 / tip.2018.2825101gydF4y2Ba 2 - s2.0 - 85045751837gydF4y2Ba 崔gydF4y2Ba X。gydF4y2Ba PotokgydF4y2Ba t E。gydF4y2Ba PalathingalgydF4y2Ba P。gydF4y2Ba 文档使用粒子群优化聚类gydF4y2Ba 学报》2005年IEEE群体智慧研讨会gydF4y2Ba 2005年6月gydF4y2Ba 加利福尼亚州帕萨迪纳市,美国gydF4y2Ba 10.1109 / SIS.2005.1501621gydF4y2Ba JananigydF4y2Ba R。gydF4y2Ba VijayaranigydF4y2Ba 年代。gydF4y2Ba 文本文档使用谱聚类算法和粒子群优化聚类gydF4y2Ba 专家系统与应用程序gydF4y2Ba 2019年gydF4y2Ba 134年gydF4y2Ba 192年gydF4y2Ba 200年gydF4y2Ba 10.1016 / j.eswa.2019.05.030gydF4y2Ba 2 - s2.0 - 85066804319gydF4y2Ba 太阳gydF4y2Ba H。gydF4y2Ba 黄gydF4y2Ba J。gydF4y2Ba 汉gydF4y2Ba J。gydF4y2Ba 邓gydF4y2Ba H。gydF4y2Ba 赵gydF4y2Ba P。gydF4y2Ba 冯gydF4y2Ba B。gydF4y2Ba 通过结构连接树分裂或集聚Density-based网络聚类gydF4y2Ba 诉讼IEEE国际会议上的数据挖掘gydF4y2Ba 2010年12月gydF4y2Ba 澳大利亚悉尼gydF4y2Ba 10.1109 / ICDM.2010.69gydF4y2Ba 2 - s2.0 - 79951764387gydF4y2Ba 太阳gydF4y2Ba p·G。gydF4y2Ba 高gydF4y2Ba lgydF4y2Ba 山汉gydF4y2Ba 年代。gydF4y2Ba 识别重叠与非重叠社区结构的模糊聚类在复杂网络gydF4y2Ba 信息科学gydF4y2Ba 2011年gydF4y2Ba 181年gydF4y2Ba 6gydF4y2Ba 1060年gydF4y2Ba 1071年gydF4y2Ba 10.1016 / j.ins.2010.11.022gydF4y2Ba 2 - s2.0 - 79251593373gydF4y2Ba 徐gydF4y2Ba Y。gydF4y2Ba 壮族gydF4y2Ba Z。gydF4y2Ba 李gydF4y2Ba W。gydF4y2Ba 周gydF4y2Ba X。gydF4y2Ba 基于改进的谱聚类有效的社区划分gydF4y2Ba NeurocomputinggydF4y2Ba 2018年gydF4y2Ba 279年gydF4y2Ba 54gydF4y2Ba 62年gydF4y2Ba 10.1016 / j.neucom.2017.06.085gydF4y2Ba 2 - s2.0 - 85035146939gydF4y2Ba DonathgydF4y2Ba w·E。gydF4y2Ba 霍夫曼gydF4y2Ba a·J。gydF4y2Ba 下界的分区图gydF4y2Ba IBM杂志》上的研究和发展gydF4y2Ba 1973年gydF4y2Ba 17gydF4y2Ba 5gydF4y2Ba 420年gydF4y2Ba 425年gydF4y2Ba 10.1147 / rd.175.0420gydF4y2Ba 2 - s2.0 - 0015661138gydF4y2Ba 菲德勒gydF4y2Ba M。gydF4y2Ba 代数的连接图gydF4y2Ba 捷克斯洛伐克的数学杂志gydF4y2Ba 1973年gydF4y2Ba 23gydF4y2Ba 23gydF4y2Ba 298年gydF4y2Ba 305年gydF4y2Ba 史gydF4y2Ba J。gydF4y2Ba 马利克gydF4y2Ba J。gydF4y2Ba 规范化的削减和图像分割gydF4y2Ba IEEE模式分析与机器智能gydF4y2Ba 2000年gydF4y2Ba 22gydF4y2Ba 8gydF4y2Ba 888年gydF4y2Ba 905年gydF4y2Ba 丁gydF4y2Ba C。gydF4y2Ba 他gydF4y2Ba X。gydF4y2Ba 咋gydF4y2Ba H。gydF4y2Ba 光谱Min-Max切图分区和数据聚类gydF4y2Ba 2001年gydF4y2Ba 美国加利福尼亚州伯克利gydF4y2Ba 劳伦斯伯克利国家实验室gydF4y2Ba 1gydF4y2Ba 10gydF4y2Ba NggydF4y2Ba a . Y。gydF4y2Ba 约旦gydF4y2Ba m . I。gydF4y2Ba 维斯gydF4y2Ba Y。gydF4y2Ba 谱聚类:分析和一种算法gydF4y2Ba 学报》国际会议神经信息处理系统:天然和合成gydF4y2Ba 2001年12月gydF4y2Ba 加拿大温哥华gydF4y2Ba 麻省理工学院出版社gydF4y2Ba 849年gydF4y2Ba 856年gydF4y2Ba Zelnik庄园gydF4y2Ba lgydF4y2Ba Perona一起gydF4y2Ba P。gydF4y2Ba 自调优谱聚类gydF4y2Ba 先进的神经信息处理系统gydF4y2Ba 2005年gydF4y2Ba 17gydF4y2Ba 1601年gydF4y2Ba 1608年gydF4y2Ba 张gydF4y2Ba X。gydF4y2Ba 李gydF4y2Ba J。gydF4y2Ba 余gydF4y2Ba H。gydF4y2Ba 局部密度自适应谱聚类相似度测量gydF4y2Ba 模式识别的字母gydF4y2Ba 2011年gydF4y2Ba 32gydF4y2Ba 2gydF4y2Ba 352年gydF4y2Ba 358年gydF4y2Ba 10.1016 / j.patrec.2010.09.014gydF4y2Ba 2 - s2.0 - 78649332752gydF4y2Ba NatalianigydF4y2Ba Y。gydF4y2Ba 杨gydF4y2Ba M.-S。gydF4y2Ba 内核驱动的高斯谱聚类gydF4y2Ba 神经计算和应用gydF4y2Ba 2019年gydF4y2Ba 31日gydF4y2Ba S1gydF4y2Ba 557年gydF4y2Ba 572年gydF4y2Ba 10.1007 / s00521 - 017 - 3036 - 2gydF4y2Ba 2 - s2.0 - 85018768563gydF4y2Ba 江gydF4y2Ba X。gydF4y2Ba 李gydF4y2Ba 年代。gydF4y2Ba BAS:甲虫天线搜索算法优化问题gydF4y2Ba 国际期刊的机器人和控制gydF4y2Ba 2018年gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 5gydF4y2Ba 10.5430 / ijrc.v1n1p1gydF4y2Ba 王gydF4y2Ba T。gydF4y2Ba 刘gydF4y2Ba Q。gydF4y2Ba 基于BAS-BP风暴潮灾害损失的评估模型gydF4y2Ba 海洋环境科学gydF4y2Ba 2018年gydF4y2Ba 37gydF4y2Ba 170年gydF4y2Ba 140年gydF4y2Ba 146年gydF4y2Ba 陈gydF4y2Ba T。gydF4y2Ba 阴gydF4y2Ba H。gydF4y2Ba 江gydF4y2Ba H。gydF4y2Ba 基于蜜蜂天线搜索的粒子群优化算法解决组合问题gydF4y2Ba 计算机系统及应用程序gydF4y2Ba 2019年gydF4y2Ba 28gydF4y2Ba 2gydF4y2Ba 171年gydF4y2Ba 176年gydF4y2Ba 王gydF4y2Ba J。gydF4y2Ba 陈gydF4y2Ba H。gydF4y2Ba 蜜蜂群天线搜索算法优化问题gydF4y2Ba 国际期刊的机器人和控制gydF4y2Ba 2018年gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 王gydF4y2Ba lgydF4y2Ba 丁gydF4y2Ba 年代。gydF4y2Ba 贾gydF4y2Ba H。gydF4y2Ba 改进的谱聚类通过消息传递和密度敏感的相似性gydF4y2Ba IEEE访问gydF4y2Ba 2019年gydF4y2Ba 7gydF4y2Ba 101054年gydF4y2Ba 101062年gydF4y2Ba 10.1109 / access.2019.2929948gydF4y2Ba 李gydF4y2Ba X.-Y。gydF4y2Ba 郭gydF4y2Ba L.-J。gydF4y2Ba 构建关联矩阵谱基于近邻传播聚类gydF4y2Ba NeurocomputinggydF4y2Ba 2012年gydF4y2Ba 97年gydF4y2Ba 125年gydF4y2Ba 130年gydF4y2Ba 10.1016 / j.neucom.2012.06.023gydF4y2Ba 2 - s2.0 - 84865342831gydF4y2Ba AchantagydF4y2Ba R。gydF4y2Ba 沙棘gydF4y2Ba 一个。gydF4y2Ba 史密斯gydF4y2Ba K。gydF4y2Ba LucchigydF4y2Ba 一个。gydF4y2Ba FuagydF4y2Ba P。gydF4y2Ba SusstrunkgydF4y2Ba 年代。gydF4y2Ba SLIC superpixels相比,先进的superpixel方法gydF4y2Ba IEEE模式分析与机器智能gydF4y2Ba 2012年gydF4y2Ba 34gydF4y2Ba 11gydF4y2Ba 2274年gydF4y2Ba 2282年gydF4y2Ba 10.1109 / tpami.2012.120gydF4y2Ba 2 - s2.0 - 84866657764gydF4y2Ba