基于AP聚类的多特征融合方法
【摘要】 经典的聚类方法通常只适用于单一特征数据，对于多特征数据，特征融合显得尤为重要。传统的多特征融合方式易造成维数灾难、尺度较小的特征被忽视等问题。对于“视图(特征)不平衡”数据，上述问题显得尤为突出。为此，提出了一种基于成对约束的多特征融合AP聚类算法。该算法用“差特征”数据聚类得到约束信息，利用“好特征”数据得到基础相似度矩阵，再利用成对约束来调整基础相似度矩阵，在新得到的相似度矩阵上进行AP聚类。该特征融合方法中，“好特征”占据主导，“差特征”只是以约束的形式发挥作用，克服了现有特征融合方法中效果差距很大的特征平起平坐的缺点。实验结果表明，相较于单视图聚类、多视图数据直接拼接后再聚类、多视图谱聚类等方法，多特征融合AP聚类算法取得了较好的性能，有效地解决了“视图(特征)不平衡”问题。
