基于流形距離和核函數(shù)的進(jìn)化聚類(lèi)算法研究及其應(yīng)用.pdf

1、聚類(lèi)是一種重要的數(shù)據(jù)分析方法，在諸如計(jì)算機(jī)視覺(jué)、信息檢索、數(shù)據(jù)挖掘和模式識(shí)別等領(lǐng)域得到了廣泛的應(yīng)用。目前，作為全局最優(yōu)技術(shù)的進(jìn)化計(jì)算已被很多學(xué)者用于聚類(lèi)問(wèn)題。基于進(jìn)化計(jì)算的聚類(lèi)算法往往以歐氏距離作為相似性度量。雖然在全局最優(yōu)化性能上，以歐氏距離作為相似性度量的進(jìn)化聚類(lèi)算法較基于梯度下降的K-均值算法有所提高，但它們只是對(duì)空間分布為球形或超球體的數(shù)據(jù)具有較好的性能，而對(duì)空間分布復(fù)雜的數(shù)據(jù)效果不是很好，這是基于歐氏距離的相似性度量的缺陷導(dǎo)致

2、的必然結(jié)果。因此，使用一個(gè)更加合理的相似性度量，使聚類(lèi)算法針對(duì)復(fù)雜分布的數(shù)據(jù)也能得到較好的聚類(lèi)結(jié)果是非常重要的。
　　 本文首先提出了一種基于核的進(jìn)化聚類(lèi)算法。通過(guò)利用核，把輸入空間的樣本映射到高維特征空間，在特征空間中進(jìn)行進(jìn)化聚類(lèi)，我們將新方法命名為核進(jìn)化聚類(lèi)算法。通過(guò)非線性映射能夠較好地分辨、提取并放大有用的特征，從而更為準(zhǔn)確的聚類(lèi)，在經(jīng)典算法效果不佳的情況下，核進(jìn)化聚類(lèi)算法也能夠得到正確的聚類(lèi)結(jié)果。
　　 針對(duì)復(fù)雜

3、分布的數(shù)據(jù)，提出了一種基于混合測(cè)度的進(jìn)化聚類(lèi)算法。該方法采用了“粗聚類(lèi)、細(xì)聚類(lèi)”的思想，首先以歐氏距離作為相似性度量，對(duì)數(shù)據(jù)集進(jìn)行粗聚類(lèi)，然后，以流形距離作為相似性度量，對(duì)粗聚類(lèi)后的數(shù)據(jù)集進(jìn)行細(xì)聚類(lèi)。實(shí)驗(yàn)表明，與基于歐氏距離的遺傳聚類(lèi)算法及K-均值算法相比，此算法對(duì)樣本空間分布復(fù)雜的無(wú)監(jiān)督聚類(lèi)問(wèn)題具有較高的正確率，具有很好的魯棒性。
　　 將核進(jìn)化聚類(lèi)算法與形態(tài)學(xué)方法結(jié)合，提出一種基于分水嶺與核進(jìn)化聚類(lèi)算法的圖像分割算法。該算法

4、首先使用改進(jìn)的分水嶺算法—內(nèi)外標(biāo)記的分水嶺算法對(duì)圖像進(jìn)行初分割，提取區(qū)域圖像特征作為聚類(lèi)的輸入樣本；利用核函數(shù)把樣本映射到特征空間，在特征空間中進(jìn)行進(jìn)化聚類(lèi)，用聚類(lèi)的方法進(jìn)行區(qū)域合并，得到最終的分割結(jié)果。將新算法用于自然圖像分割、紋理圖像分割及SAR圖像分割任務(wù)，實(shí)驗(yàn)表明該算法可以成功地用于多種圖像分割，可以得到有較好的圖像分割性能。
　　 本文的工作得到了國(guó)家自然科學(xué)基金(No.60703107)，國(guó)家863高技術(shù)研發(fā)發(fā)展計(jì)劃