荀振宇 王卫涛

摘 要 本文针对近邻传播聚类算法在高维图像数据集上聚类效果不好的特点提出了HWAP算法。首先，通过HOG特征提取提取图像的重要特征;然后，通过核函数映射计算出加权的相似度矩阵;最后，根据相似度矩阵计算出聚类结果。最终实验分析表明本文提出的HWAP算法在高维图像数据集上具有良好的聚类效果。

关键词 HOG特征提取;核函数;权重;近邻传播

Affinity Propagation clustering algorithm Based On Canonical Correlation Analysis

Xun Zhenyu1  Wang Weitao2

1. The First Military Representative Office of the Maritime Equipment Shenyang Bureau in Dalian， Dalian 116000，Liaoning，China

2. 713th Research Institute China Ship Building Industry Corporation， Zhengzhou 116000，Henan，China

Abstract This paper proposes the HWAP algorithm based on the feature that the Affinity propagation cluster-ing algorithm does not perform well on high-dimensional image dataset. First， Extract important features of an image through HOG feature extraction; Second， A weighted similarity matrix is calculated through the kernel function mapping; Last， Calculate the clustering result based on the similarity matrix. Finally， The experi-mental results show that the HWAP algorithm proposed in this paper has a good effect on high-dimensional image datasets.

Key word HOG; Kernel function; Weights; Affinity propagation

引言

2007年Frey和Dueck在Science上发表了Points Clustering by Passing Messages Between Data，系统阐述了近邻传播聚类算（Affinity Propagation， AP）的原理和应用。近邻传播算法不需要事先设定聚类的个数，不需要初始化聚类中心点，是一种快速有效的聚类算法。但是在研究的过程中，发现近邻传播算法在处理高维图像数据集时效果不好，而现实生活中的各种图像数据是非常多见的，并且不具有一定的规律性，因此如何处理高维图像的数据是一个需要讨论的热点。

本文针对上述提到的问题，提出了HWAP算法。首先，通过HOG特征提取出图像的重要特征;然后，计算出通过核函数映射后的相似度矩阵，最终通过相似度矩阵计算出聚类结果。通过实验结果分析表明本文提出的HWAP算法在聚类高维图像数据集时聚类良好的效果。

1近邻传播聚类算法（AP）

近邻传播聚类算法根据样本点之间的相似度进行迭代计算。其中计算相似度矩阵的公式如下：

（1）

该算法在计算过程中引入了归属度矩阵A和吸引度矩阵R。其中：， 。计算公式如下：

（2）

（3）

（4）

（5）

在计算归属度矩阵相似度矩阵过程中，引入了阻尼因子来增强算法的稳定性，计算公式如下：