基于半监督学习的核信任力传播聚类算法  

Semi-Supervised Learning Based Kernel Affinity Propagation Clustering Method

作　　者：陈晓峰[1] 王士同[1] 曹苏群[1,2] 

机构地区：[1]江南大学信息工程学院,江苏无锡214122 [2]淮阴工学院机械系,江苏淮安223001

出　　处：《江南大学学报（自然科学版）》2008年第5期505-510,共6页Joural of Jiangnan University (Natural Science Edition)　

基　　金：国家自然科学基金项目(60773206/F020106);国防应用基础研究基金项目(A1420461266);2004年教育部跨世纪优秀人才支持计划基金项目(NCET-04-0496);2005年教育部科学研究重点基金项目(105087);2006年江苏省6大人才高峰计划资助项目;中国科学院自动化研究所模式识别国家重点实验室开放课题;南京大学软件新技术国家重点实验室开放课题

摘　　要：文中提出一种半监督核信任力传播聚类算法(SSKAPC).SSKAPC在对样本聚类的过程中,引入先验知识提高聚类性能;同时该算法将样本映射到高维空间进行聚类.人工数据和真实世界数据的实验表明,SSKAPC算法能大幅度提高聚类的准确性.In this paper, a semi-supervised kernel affinity propagation method named SSKAPC is proposed. In this method, affinity propagation clustering method is extended to semi-supervised setting, in which background knowledge is provided in terms of pairwise constraints. Kernel trick is also used to process non-linear problem. The experimental results and comparisons on simulated and real-world datasets illustrate the effectiveness and the advantages of the proposed SSKAPC method.

关 键 词：信任力传播 半监督 核聚类 

分 类 号：TP18[自动化与计算机技术—控制理论与控制工程]