半监督聚类的若干新进展  

Some Developments on Semi-Supervised Clustering

作　　者：李昆仑[1] 曹铮[1] 曹丽苹[2] 张超[1] 刘明[1] 

机构地区：[1]河北大学电子信息工程学院,保定071002 [2]保定职业技术学院机电工程系,保定071051

出　　处：《模式识别与人工智能》2009年第5期735-742,共8页Pattern Recognition and Artificial Intelligence

基　　金：国家自然科学基金项目(No.60773062;60873100);河北省自然科学基金项目(No.F2009000215);河北省教育厅科研计划项目(No.2008312)资助

摘　　要：半监督聚类方法利用少量标记数据提高聚类算法的性能,已逐渐发展成为模式识别及相关领域的研究热点.文中首先综述了半监督聚类算法的一些新进展,包括基于约束的方法、基于距离的方法和基于距离与约束的融合方法.然后提出一种基于约束的半监督模糊C-means聚类算法.实验表明,该算法与传统的模糊C-means及半监督K-means方法相比,具有更好的聚类精度.Small amount of labeled data are used in semi-supervised clustering algorithms to improve the performance of the algorithms. It is a research hotspot in pattern recognition and its related fields. In this paper, some developments on semi-supervised clustering are introduced including constraint-based, distance-based and the combination of them. Using semi-supervised strategy to fuzzy C-means, a semi-supervised fuzzy C-means （ constrained FCM） algorithm is proposed. Experimental results show that the proposed method obtains better accuracy compared with FCM and semi-supervised K-means.

关 键 词：半监督聚类 模糊C一均值(FCM) 标记数据 无标记数据 

分 类 号：TP181[自动化与计算机技术—控制理论与控制工程]