邓 祥，俞 璐

（陆军工程大学，江苏 南京 210007）

0 引言

聚类目标是把相似的数据点划分到同一个簇中，根据不同的聚类方式导出不同的聚类算法。根据聚类方式的不同，经典聚类方法[1-9]将典型聚类算法分为原型聚类、密度聚类、图聚类以及层次聚类等。原型聚类用一组原型刻画聚类簇结构，通过度量样本与原型之间的距离确定样本归属。密度聚类的主要目标是寻找被低密度区域分割的高密度区域。图聚类算法通过构建一个基于相似度的无向加权图把聚类问题转化为图的最优划分问题。层次聚类通过度量数据节点之间的相似性或者距离构建一个树形结构，在不同层面上对数据集进行划分。研究这些经典的传统聚类算法[10]可以发现，进行特征提取的聚类算法效果要明显优于没有进行特征提取的聚类算法。因此，研究人员开发了大量特征处理算法，包括线性的主成分分析（Principal Component Analysis，PCA）[11]和非线性的核方法[12]等。最近的研究表明，联合优化特征处理与聚类目标可以获得更好的结果。这方面深度学习强大的非线性拟合能力和特征表示能力可以很好地连接特征处理与聚类目标。本文将深度学习引入无监督聚类领域形成的模型统称为深度聚类模型。

近些年，随着深度嵌入聚类（Deep Embedding Clustering，DEC）[13]模型的提出，深度聚类研究领域变得越来越引人关注，于是大量深度聚类模型被提出，对现有的深度聚类模型进行了一个全面综合的整理。文献[14-15]提出从神经网络的角度出发建立一个分类系统，对现有的深度聚类模型进行分类。……