[发明专利]基于Self-tuning的局部密度谱聚类相似度量算法

权利要求书

1.一种基于Self-tuning的局部密度谱聚类相似度量算法，其特征在于，该方法包括如下步骤：

(1)假设对于N维的数据集S＝{s₁，s₂，...，s_M}∈R^M×N，其样本个数为M，每一个样本s_i为N维数据点，其真实的聚类数目为C；将数据集S进行归一化处理，使得特征数据归一化到[0，1]之间，去除数据特征之间数量级的影响；

(2)计算数据集S所有数据点对之间的欧式距离，表示为{d₁,d₂，...,d_n(n-1)/2}；

(3)根据步骤(2)求取的欧式距离d计算表示局部密度的半径ε的值，该值满足数据点的平均邻居数是总数据数的2％-3％；

(4)根据公式σ_i＝d(s_i，s_k)计算数据集S中每一个数据点s_i的局部尺度σ_i，其中k的取值为2；

(5)将步骤(3)中计算的半径ε和步骤(4)中计算的局部尺度σ带入公式AL(sisj)=exp(-d2(sisj)σiσj(CNN(si,sj)+1)),]]>求解出相似矩阵A；

(6)定义对角矩阵D，使得即对角阵D主对角线元素值为相似矩阵A每一行元素的行和，其余元素值为0；

(7)根据对角阵D和相似矩阵求解归一化的拉普拉斯矩阵L，其中L＝D^-1/2(D-A)D^-1/2；

(8)求解拉普拉斯矩阵L的前C个最小的特征值对应的特征向量，组成新的特征向量空间X＝{x₁，x₂，...，x_M}∈R^M×C，其中每一列对应一个特征向量；

(9)对特征向量空间X进行归一化的处理，得到新的特征向量空间Y＝{y₁，y₂，...，y_M}∈R^M×C，其中

(10)将Y的每一行看作一个样本数据点，对Y进行K-means聚类，将Y划分为C个类别，C＝{C₁,C₂，...，C_C}；

(11)将原数据集S的每一行和Y的每一行对应，如果y_i属于类C_i，则s_i也属于类C_i，这样就将数据集S划分为C个类别。