基于拉普拉斯特征映射的仿射传播聚类  

Affinity Propagation Clustering Based on Laplacian Eigenmaps

作　　者：张亮[1] 杜子平[1] 张俊[1] 李杨[1] 

机构地区：[1]天津科技大学经济与管理学院,天津300222

出　　处：《计算机工程》2011年第9期216-217,220,共3页Computer Engineering

基　　金：国家自然科学基金资助项目(70671074);天津市科技发展战略研究计划基金资助项目(10ZLZLZF04900)

摘　　要：仿射传播方法难以处理具有流形结构的数据集。为此,提出一种基于拉普拉斯特征映射的仿射传播聚类算法(APPLE),在标准仿射传播的基础上增强流形学习的能力。使用测地距离计算数据点间相似度,采用拉普拉斯特征映射对数据集进行降维及特征提取。对图像聚类应用的实验结果证明了APPLE的聚类效果优于标准仿射传播方法。Affinity propagation is often limited by its inability to cluster datasets with inherent manifold structures.A novel clustering method,namely Affinity Propagation with Laplacian Eigenmaps（APPLE）,is proposed to address this problem.It enhances the standard affinity propagation with manifold learning capacity.Geodesic distance is used to compute affinity between data points.Laplacian eigenmaps are applied to reduce the dimensionality and to extract features.Experimental results show APPLE outperforms standard affinity propagation in application of image clustering.

关 键 词：拉普拉斯特征映射 仿射传播 DIJKSTRA算法 归一化互信息 

分 类 号：TP18[自动化与计算机技术—控制理论与控制工程]