基于L1范数的k平面聚类算法设计

TP391; 基于L2范数度量的k平面聚类(k-Plane Clustering,kPC)设计思想,本文提出了一种采用L1范数度量的聚类算法.由于在平面更新步骤中,所导出的优化问题是非凸的,文中给出了一种求解方法,即将非凸问题转化为有限个子集上的凸问题,为避免求解多个优化问题导致训练时间过长问题,本文还设计了一种新的优选策略,有限个子集的搜索任务可在线性时间内完成.本文所提出的方法只需要求解k个线性规划,而不再是kPC的求解特征值问题.在人工和UCI数据集上的实验结果表明:基于L1范数平面聚类算法的训练和测试时间更短,且在大多数数据集上均表现出了更好的聚类性能....

Full description

Saved in:
Bibliographic Details
Published in南京航空航天大学学报 Vol. 51; no. 5; pp. 681 - 686
Main Authors 杨红鑫, 杨绪兵, 寇振宇, 业巧林, 张福全, 许等平
Format Journal Article
LanguageChinese
Published 南京林业大学信息科学技术学院,南京,210037%国家林业局调查规划设计院,北京,100714 01.10.2019
Subjects
L1范数
线性规划
凸问题
平面聚类
Online AccessGet full text
ISSN1005-2615
DOI10.16356/j.1005-2615.2019.05.014

Cover

More Information
Summary:TP391; 基于L2范数度量的k平面聚类(k-Plane Clustering,kPC)设计思想,本文提出了一种采用L1范数度量的聚类算法.由于在平面更新步骤中,所导出的优化问题是非凸的,文中给出了一种求解方法,即将非凸问题转化为有限个子集上的凸问题,为避免求解多个优化问题导致训练时间过长问题,本文还设计了一种新的优选策略,有限个子集的搜索任务可在线性时间内完成.本文所提出的方法只需要求解k个线性规划,而不再是kPC的求解特征值问题.在人工和UCI数据集上的实验结果表明:基于L1范数平面聚类算法的训练和测试时间更短,且在大多数数据集上均表现出了更好的聚类性能.
ISSN:1005-2615
DOI:10.16356/j.1005-2615.2019.05.014