王 锦，尹汪宏

(安徽电子信息职业技术学院 信息与智能工程系，安徽 蚌埠 233030)

聚类作为最常用的无监督学习方法之一，已成功应用于许多场景，如文本分析、图像分割和临床决策支持[1-5]。聚类旨在将具有高相似性的对象分组到相同的簇中，将具有低相似性的对象分组到不同的簇中[6-8]。它可以将数据按照性质的相似程度进行归类。如此处理有利于后续的数据分析。但是在我们的现实生活中，数据采集往往会存在以下两种问题：(1)由于在生产中对数据有保密要求或者这是一个新兴产业，之前没有数据的积累，这就会导致采集到的数据量不足，无法满足传统的聚类分析所必备的基本条件；(2)在采集数据的过程中会遭到很多方面的影响导致丢失数据或者数据受到污染的问题，这样就会降低传统聚类分析算法的聚类性能。在这种情况下，一些传统的聚类算法就会失效。例如，MR图像被噪声污染或丢失像素后变得稀疏，一些经典的聚类算法FCM[9]，k-means[10]，AP[11]和DBSCAN[12]等不能直接应用或聚类效果很难达到标准。存在许多可用于处理这种情况的解决方案，其中迁移学习算法[11,13-17]受到更多关注。

在迁移聚类结构约束中，簇中心知识迁移是迁移学习最常用的准则，蒋亦樟等人[16]基于他们以往的研究GIFP-FCM提出了一种迁移聚类算法T-GIFP-FCM。CHEN A等人[13]在模糊聚类框架下提出了模糊迁移聚类算法PPKTFCM。HANG W等人[14]在Affinity Propagation (AP)[11]算法基础上，提出的迁移聚类算法TAP，该算法同样认为源域和目标域样本各簇中心尽量接近。……