[发明专利]分割式相似度传播数据聚类方法

说明书

技术领域

本发明涉及海量多媒体数据处理领域，尤其涉及一种数据聚类方法。

背景技术

在信息大爆炸的年代，人们所面对的数据是海量的。在Google^TM上搜索“汽车”这个关键词，你会得到217,000,000个结果；搜索“赛车”这个关键词，你的结果数量就只有13,600,000了；搜索“蓝色赛车”这个关键词，你的结果数量将进一步下降，只有455,000。由此可见，对已有数据进行聚类分组，使每组内的数据都具有某些共同的特征，将为你对数据的进一步处理带来很大的方便。

目前的聚类方法有很多种，最常用的是k-均值聚类方法。k-均值聚类方法实现起来很方便，但是它对初始聚类中心的选取很敏感——如果初始聚类中心选取不当，将导致错误的聚类结果。对于海量的结构未知的数据集合，我们通常采用随机采样的方法来产生这个初始聚类中心集合。当k值越来越大时，初始聚类中心集合选择正确的几率会越来越小。而且，对于k-均值聚类方法而言，我们需事先指定类的个数。而对于海量的结构未知的数据集合，我们究竟应该把它分成几类是不知道的。

相似度传播数据聚类方法AP(Affinity Propagation，AP，Brendan J.Frey andDelbert Dueck，“Clustering by passing messages between data points，”Science，315(5814)：972-951，2007)就没有以上缺点。它将两两数据对象之间的相似度作为输入，而且此相似度可以是非对称的，即数据对象A到数据对象B的相似度可以不等于数据对象B到数据对象A的相似度。实值信息在数据对象之间交换传播直至一组高质量的聚类中心和相应的聚类产生。它的工作过程如下：

输入需要聚类的具有N个数据对象的集合的相似度矩阵S_N×N，不同的数据对象i和j之间相似度s(i，j)的度量取决于待聚类的数据对象的类别；对于二维空间中的点，采用负欧氏距离度量任意两个对象之间的相似度，负欧氏距离的公式如下：

-Σi=1n(pi-qi)2---1]]>

其中

p和q是两个二维的矢量；

自相似度s(i，i)代表了对象i作为聚类中心的合适程度，其值越接近于0，则说明其越适合作为聚类中心；在数据分布未知的情况下，将自相似度s(i，i)统一设成所有不同数据对象之间相似度s(i，j)，i∈{1，Λ，N}，j∈{1，Λ，N}，i≠j的中值。

1)创建大小为N×N可用性矩阵A和责任矩阵R，并将它们全部初始化为0；

2)对于所有的i∈{1，Λ，N}，根据公式：