|
|
1.
融合密度峰值的高斯混合模型聚类算法
陶志勇, 刘晓芳, 王和章
计算机应用
2018, 38 (12):
3433-3437.
DOI: 10.11772/j.issn.1001-9081.2018040739
针对高斯混合模型（GMM）聚类算法对初始值敏感且容易陷入局部极小值的问题，利用密度峰值（DP）算法全局搜索能力强的优势，对GMM算法的初始聚类中心进行优化，提出了一种融合DP的GMM聚类算法（DP-GMMC）。首先，基于DP算法寻找聚类中心，得到混合模型的初始参数；其次，采用最大期望（EM）算法迭代估计混合模型的参数；最后，根据贝叶斯后验概率准则实现数据点的聚类。在Iris数据集下，DP-GMMC聚类准确率可达到96.67%，与传统GMM算法相比提高了33.6个百分点，解决了对初始聚类中心依赖的问题。实验结果表明，DP-GMMC对低维数据集有较好的聚类效果。
参考文献 |
相关文章 |
多维度评价
|
|
