公开(公告)号：CN107491785A

公开(公告)日：2017-12-19

申请号：CN201710690910.0

申请日：2017-08-14

Applicant: 厦门大学

Inventor： 赵万磊 ,  邓称浩 ,  王菡子

IPC: G06K9/62

CPC classification number: G06K9/6218

Abstract: 一种基于边缘侵蚀的聚类方法，涉及聚类问题。计算输入数据每个点的近邻关系或者直接获得每个数据点的近邻关系；计算边缘侵蚀密度；根据所述点的等级高低依次分配类标签，具体方法如下：(1)按照点的等级由高到低排列，即删除先后顺序的逆序；(2)依次访问每个点，若当前点的近邻没有类标，则分配一个新的类标，若有，则用已被标记的近邻中离当前点最近的点的类标标记当前点；(3)重复步骤(2)直到所有点被标记；按照剔除点的顺序的逆序分配类标签，类中心区域将最先被标记，一个类标签将从类中心向外扩展，自动终止于类的边界，类的边界即为那些初始密度较低的点。

公开(公告)号：CN106485285A

公开(公告)日：2017-03-08

申请号：CN201610915609.0

申请日：2016-10-21

Applicant: 厦门大学

Inventor： 赵万磊 ,  邓称浩

IPC: G06K9/62

CPC classification number: G06K9/6223

Abstract: K平均聚类的增强方法，涉及机器学习的数据聚类。包括以下步骤：1)给定n个待聚类数据，目标聚类数为k个；2)初始化k个聚类中心；3)将一个数据的类标签换成另一个类标签，使得预先定义的优化函数值增大；4)重复步骤3)直到目标函数无法再获得更高的函数值，或达到指定的迭代次数。抛弃传统初始化策略使得聚类更快，而且提高了聚类质量；优化函数直接驱动聚类得到了比传统聚类小很多的误差；聚类过程中，可以不用每次为每个数据赋予最佳的类。这一改变使得聚类速度更快，而且收敛到更好的局部最优点；应用到自顶向下的二分层次聚类上，可以极大的降低聚类复杂度。