|
|
1.
高维不确定数据的子空间聚类算法
万静, 郑龙君, 何云斌, 李松
计算机应用
2019, 39 (11):
3280-3287.
DOI: 10.11772/j.issn.1001-9081.2019050928
如何降低不确定数据对高维数据聚类的影响是当前的研究难点。针对由不确定数据与维度灾难导致的聚类精度低的问题，采用先将不确定数据确定化，后对确定数据聚类的方法。在将不确定数据确定化的过程中，将不确定数据分为值不确定数据与维度不确定数据，并分别处理以提高算法效率。采用结合期望距离的
K近邻（
KNN）查询得到对聚类结果影响最小的不确定数据近似值以提高聚类精度。在得到确定数据之后，采用子空间聚类的方式避免维度灾难的影响。实验结果证明，基于Clique的高维不确定数据聚类算法（UClique）在UCI数据集上有较好的表现，有良好的抗噪声能力和伸缩性，在高维数据上能得到较好的聚类结果，在不同的不确定数据集实验中能够得到较高精度的实验结果，体现出算法具有一定的健壮性，能够有效地对高维不确定数据集聚类。
参考文献 |
相关文章 |
多维度评价
|
|
