半监督免疫克隆选择图划分方法
2014-08-04刘汉强
刘汉强
陕西师范大学计算机科学学院,西安 710119
半监督免疫克隆选择图划分方法
刘汉强
陕西师范大学计算机科学学院,西安 710119
LIU Hanqiang.Semisupervised immune clone selection graph partition algorithm.Computer Engineering and Applications,2014,50(22):11-16.
1 引言
对聚类方法的研究一直是模式识别领域一个比较活跃而且极负挑战性的研究方向。聚类算法可分为无监督和半监督聚类,前者在聚类过程中,不利用任何先验信息;后者利用少量的先验信息来引导聚类过程,在一定程度上可以克服无监督聚类的盲目性,提高了聚类算法的性能。
近几年来,利用图谱划分理论来解决聚类问题成为一个新的研究热点。图谱划分是一类基于两点间相似关系的方法[1],并通过最大化或最小化某一图谱划分准则获得样本的划分结果。由于图谱划分准则的优化问题是一个NP难的问题,为此许多近似求解图谱划分的方法被提出。谱聚类[2-4]是一种常见的解决图谱划分的方法,它利用数据的Laplacian矩阵的特征向量进行聚类,获得聚类准则在放松了的连续域中的全局最优解。此外,采用遗传算法或免疫算法等自然计算的方法来求解图谱划分问题,也是一种新的研究思路。该类方法把图谱划分准则作为目标函数进行优化,因此不需要求解相似性矩阵的特征向量来实现图谱划分。
在聚类过程中利用一定量先验信息会显著提高聚类算法的性能。半监督学习中的先验信息主要有两种,一是以样本点成对限制形式出现的监督信息,二是样本的类属信息。对于用户来说要确定样本类属会比较困难,而获得一些关于样本点是否可以或不能位于同一类的限制信息将会比较容易。……
