朱昌明　吴爱华　王健安

摘要：

为解决原始核聚类（Kernel Clustering， KC）中模式信息不足、聚类结果不佳的缺点，以KC为基础，利用Universum学习带来的优势，提出基于Universum学习的核聚类（Universum learningbased Kernel Clustering， UKC）方法.首先利用Universum学习生成相应的Universum模式，再利用KC算法把数据集分割成多个簇，最后利用每个簇中所包含的Universum模式和训练模式来更新该簇，从而使得这些簇更加合理.实验表明，该算法可以更好地改善聚类效果和分类器的分类性能、泛化能力和计算效率.虽然该方法的步骤比KC多，但是其较好的聚类性能可以帮助人们处理分类问题.

关键词：

Universum学习； 核聚类； 先验知识

0引言

Universum学习由WESTON等[1]提出，旨在把有关应用域的先验知识引入到学习过程中.这些知识是以附加的无标签的和有标签的训练模式的形式表示的.基于Universum的优点，CHERKASSKY等[2]提出基于Universum的支持向量机（Universum Support Vector Machine， USVM），LIU等[3]提出自学习的Universum下的支持向量机（SelfUniversum Support Vector Machine， SUSVM）.笔者把USVM与支持向量机（Support Vector Machine，SVM）进行比较，发现Universum模式的质量会影响分类器的性能.CHEN等[4]发现在目标类之间分布的Universum模式对生成分类界面更有用.由相关实验可知，Universum学习可使模型更符合模式分布、结构等，从而提高算法有效性.如今Universum学习已广泛运用于文本聚类[5]、身体姿势识别[6]、Boosting策略[7]、降维技术[8]和多视角学习[9]等方面.

大部分数据集拥有可以改进分类器性能的局部信息或结构[10]，而聚类是得到这些局部信息或结构的一个较好的方法.聚类旨在把一个由所有模式组成的全局空间分成多个子集，这些子集被称为簇、核或子类.它们有较高……