基于图谱理论几何空间结构变换的大数据核聚类算法  

Spectral graph geometric transform based kernel clustering approach for big scale data with high computer efficiency

作　　者：邹汪平[1] 方元康[2] 吴伟[3] 

机构地区：[1]池州职业技术学院信息技术系,安徽池州247000 [2]池州学院数学与计算机科学系,安徽池州247000 [3]中国科技大学计算机科学与技术学院,合肥230026

出　　处：《计算机应用研究》2016年第8期2331-2334,共4页Application Research of Computers

基　　金：国家自然科学基金资助项目(61100034;61170043);中国博士后科学基金资助项目(20110491411);江苏省博士后科研计划资助项目(1101092C);安徽省高校省级科学研究项目(KJ2011B108);安徽省高等学校省级质量工程项目(2015gxk113;2014jyxm524;2013jxtd065);安徽省2016年高校优秀青年人才支持计划重点项目(gxyq ZD2016531)

摘　　要：现有核聚类算法需要学习完整的核矩阵,计算效率较低,仅适用于小规模数据,对此提出了基于图谱理论的核函数分类算法。首先,基于图谱理论建立无标记数据的相似度图;然后,计算其拉普拉斯矩阵,并选取拉普拉斯矩阵的部分特征向量来学习;最后,利用核K-means算法实现数据分类。对比实验结果证明,本算法在具有较好聚类性能的前提下,计算效率明显优于其他同类型算法,并适合中型及大型规模数据分类处理。For the problem that the existing kernel clustering approaches need to learn the entire kernel matrix with the low compute efficiency, aimed at it proposed a clustering approach based on the spectral. Firstly, it based on spectral construct the similarity graph ; then, computed the Laplacian matrix for the graph and select little part of the matrix to learn; lastly, realized the classification with kernel K-means approach. The simulating results prove that the proposed approach has better compute efficiency than the other keruel clustering approaches with a comparable clustering performance and works for big scale data.

关 键 词：核函数 核聚类 几何空间变换 核矩阵 大规模数据 拉普拉斯矩阵 最近邻相似度 

分 类 号：TP301.6[自动化与计算机技术—计算机系统结构]