计算机工程

作者：江雨燕, 邵金, 李平

单位：1. 安徽工业大学 管理科学与工程学院, 安徽马鞍山 243032;2. 南京邮电大学 计算机学院, 南京 210023

关键词：聚类,自编码器,自适应近邻聚类,结构化信息,特征权重

基金：国家自然科学基金（62006126）；安徽普通高校重点实验室开放基金项目（CS2019-ZD02）。

子空间聚类算法是一种面向高维数据的聚类方法，具有独特的数据自表示方式和较高的聚类精度。传统子空间聚类算法聚焦于对输入数据构建最优相似图再进行分割，导致聚类效果高度依赖于相似图学习。自适应近邻聚类（CAN）算法改进了相似图学习过程，根据数据间的距离自适应地分配最优邻居以构建相似图和聚类结构。然而，现有CAN算法在进行高维数据非线性聚类时，难以很好地捕获局部数据结构，从而导致聚类准确性及算法泛化能力有限。提出一种融合自动权重学习与结构化信息的深度子空间聚类算法。通过自编码器将数据映射到非线性潜在空间并降维，自适应地赋予潜在特征不同的权重从而处理噪声特征，最小化自编码器的重构误差以保留数据的局部结构信息。通过CAN方法学习相似图，在潜在表示下迭代地增强各特征间的相关性，从而保留数据的全局结构信息。实验结果表明，在ORL、COIL-20、UMIST数据集上该算法的准确率分别达到0.780 1、0.874 3、0.742 1，聚类性能优于LRR、LRSC、SSC、KSSC等算法。

来源：2022年第8期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第8期