【技术实现步骤摘要】
一种面向高维数据基于自适应鲁棒特征表示的K
‑
means聚类算法
[0001]本专利技术属于
，具体涉及一种面向高维数据基于自适应鲁棒特征表示的K
‑
means聚类算法。
技术介绍
[0002]互联网刚刚出现不久，移动互联网就紧随其后，移动互联网才崭露头角，大数据早已后来居上。半个世纪以来，随着计算机技术全面融入社会生活，世界充斥着更多的、增长速度也在不断加快的信息，信息爆炸已经累积到了引发变革的程度。然而，现实世界中产生的这些海量数据通常样本量非常少，但数据维度都很高，其中包含了大量冗余、嘈杂和不相关的数据特征，在解决实际问题时，大大提高了处理问题的难度。如何从现实世界中产生的海量数据截取、管理、处理并整理成为更易解读的信息，一直是数据挖掘领域关注的热点研究课题，聚类分析是一种重要的技术手段。其中，K
‑
means聚类算法因其原理简单且易执行，是应用最广泛的聚类算法。
[0003]然而，受现实世界中数据的维度灾难影响，K
‑
means聚类...
【技术保护点】
【技术特征摘要】
1.一种面向高维数据基于自适应鲁棒特征表示的K
‑
means聚类算法，包括如下步骤：A)、建立算法模型，且该算法模型的第一、二项定义学习原始高维数据X的表示数据Z，第三项表示用K
‑
means聚类算法对学习得到的表示数据Z做K
‑
means聚类应用，得到公式(1)；B)、使用增广拉格朗日乘子法去求解提出的算法模型，公式(1)可以等价写成公式(2)；C)、通过固定E和C，去掉不相关项，优化变量Z，即解决公式(2)如下的子问题：对公式(3)进行运算，得到Z的解如公式(4)所示：Z＝Umax(S
‑
θI,0)V
T
ꢀꢀꢀꢀꢀ
(4)D)、通过固定Z和C，去掉不相关项，优化变量E，得到关于变量E的优化问题。即解决公式(2)如下的子问题：对公式(5)运算，可以得到E的解为：在公式(6)中，E)、固定Z和E，解质心C，在解出的Z上做K
‑
means聚类得到质心C；F)、更新提出算法模型中的参数μ和Λ，在增广拉格朗日乘子法的每次迭代中，当获得变量Z、C和E的解后，参数μ和Λ的更新如下所示:μ＝μρ(8)。2.根据权利要求1所述的一种面向高维数据基于自适应鲁棒特征表示的K
‑
means聚类算法，其特征在于：公式(1)中，
∝
是非负正则化参数，||
·
||
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。