一种有效的面向高维数值型数据的聚类方法  

An Effective Clustering Approach for High-dimensional Numeric Data

作　　者：李顺勇[1,2] 宋云胜[1] 赵兴旺[1] 

机构地区：[1]山西大学计算机与信息技术学院,山西太原030006 [2]山西大学数学科学学院,山西太原030006

出　　处：《山西大学学报（自然科学版）》2014年第2期206-209,共4页Journal of Shanxi University(Natural Science Edition)

基　　金：高等学校博士学科点专项科研基金(20121401110013);国家自然科学基金(61175067)

摘　　要：聚类作为一种无监督的学习方法,利用对数据的分析从中发掘有用的信息。聚类质量的高低通常取决于聚类方法所使用的相似性度量方法和实现方式。文章中提出了一种有效的面向高维数值型数据的聚类方法——新的线性相似性度(LM),可以较好地识别开难于区分的数值型数据。通过与三种经典方法比较,实验结果显示该类方法对数值型高维数据有较高的灵敏度。Being an unsupervised learning, clustering excavates useful information from data analysis. The level of clustering quality usually depends on the clustering method used from similarity measurement methods and ways. This paper puts forward a kind of effective clustering method for high-dimensional nu merical data, a new linear measurement（LM）, which can better identify them that is difficult to distin guish each other Compared with three classic methods, the experimental results show that the method for high dimensional numeric data have higher sensitivity.

关 键 词：聚类 高维数据 相似性度量 线性相似度 

分 类 号：TP181[自动化与计算机技术—控制理论与控制工程]