基于AutoEncoder的增量式聚类算法

原旭; 杨镇楠; 赵亮; 陈志奎

Chinese

您当前的位置：

首页 >

文章列表页 >

基于AutoEncoder的增量式聚类算法

更新时间：2026-09-04

- 基于AutoEncoder的增量式聚类算法
- Incremental Clustering Based on AutoEncoder
- 微电子学与计算机 2016年33卷第3期页码：121-125
- 作者机构：
  
  大连理工大学软件学院,辽宁,大连,116620
- 作者简介：
- 基金信息：
  
  国家自然科学基金项目 U1301253
- DOI：
  中图分类号：
- 纸质出版：2016
- 稿件说明：
移动端阅览
原旭, 杨镇楠, 赵亮, 陈志奎. 基于AutoEncoder的增量式聚类算法[J]. 微电子学与计算机, 2016, 33(3): 121-125.

YUAN Xu, YANG Zhen-nan, ZHAO Liang, et al. Incremental Clustering Based on AutoEncoder[J]. 2016, 33(3): 121-125.
原旭, 杨镇楠, 赵亮, 陈志奎. 基于AutoEncoder的增量式聚类算法[J]. 微电子学与计算机, 2016, 33(3): 121-125. DOI：

YUAN Xu, YANG Zhen-nan, ZHAO Liang, et al. Incremental Clustering Based on AutoEncoder[J]. 2016, 33(3): 121-125. DOI：

摘要

针对目前数据量增长迅速

数据特征多

存储空间不足等问题

提出了基于AutoEncoder的增量式聚类算法(ANIC).首先利用AutoEncoder学习数据样本的特征

进行低维特征整合

得到数据样本的压缩表示形式

然后在原有聚类结果的基础上

通过一遍式读取数据和动态更新聚类中心点

对新生成样本进行增量式聚类.在对UCI的四个数据集进行聚类时

实验结果表明该算法能够得到优于k均值算法(Kmeans)和模糊c均值算法(FCM)的聚类效果.同时

该算法的时间消耗低

能够识别离群点

能够有效地对不断增加的数据集进行增量式聚类.

Abstract

The rapid growth of data result in a lot of problems such as the data have too many features

the lack of storage space etc. This paper propose a new incremental clustering algorithm based on AutoEncoder. Firstly

the AutoEncoder are used to learn the features of the data

integrate the low-dimensional feature

and get the reduced representation from the raw data. Then run incremental clustering on the new data base on the original clustering results by reading the data once and dynamically update clustering centers. Experimental results show that the proposed algorithm can obtain a comparable clustering performance with k-means algorithm (Kmeans) and fuzzy c-means algorithm (FCM) on the four data set in UCI database. Meanwhile

the time consumption of the proposed algorithm is low

it can achieve incremental clustering and identify the outliers for the increasing data set effectively.

关键词

Keywords

references

New York Bezdek J C. Pattern recognition with fuzzy objective function algoritms[M]. New York: Plenum Press, 1981.

MacQueen J. Some methods for classification and analysis of multivariate observations[C]//Proceedings of the fifth Berkeley symposium on mathematical statistics and probability. Berkeley, Calitornia: IEEE, 1967: 281-297.

Song C, Huang Y, Liu F, et al. Deep auto-encoder based clustering[J]. Intelligent Data Analysis, 2014, 18(6): 65-76. DOI: 65

Dunn J C. A fuzzy relative of the ISODATA process and its use in detecting compact well-separated clusters[J]. Journal of Cybernetics, 1973, 3(3): 32-57. DOI: 32

Huang P, Huang Y, Wang W, et al. Deep embedding network for clustering[C]//Pattern Recognition (ICPR), 2014 22nd International Conference on. stockholm: IEEE, 2014: 1532-1537.

郑宏亮, 王建英. 一种基于Mahalanobis距离的增量聚类算法[J]. 计算机应用与软件, 2011, 28(12): 38-40. DOI: 38

段宝彬, 韩立新, 谢进. 基于堆叠稀疏自编码的模糊C-均值聚类算法[J]. Computer Engineering and Applications, 2015, 51(4): 154-157. DOI: 154

吴佳, 罗可. 改进的模糊C均值的增量聚类算法[J]. 计算机工程与应用, 2011, 47(23): 141-143. DOI: 141

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于MSS-YOLO-MPHands融合架构的装配手部动作识别研究

面向处理器分支预测单元的Spectre攻击轻量化防御方法

一种基于特征上下文理解与切片分析的肺结核检测算法

基于多尺度融合与小目标增强的航拍车辆检测算法

注意力机制与改进密集卷积引导的信息隐藏模型