杨 辉，彭 晗，朱建勇，聂飞平

(1.华东交通大学电气与自动化工程学院，江西 南昌 330013；2.江西省先进控制与优化重点实验室，江西 南昌330013；3.西北工业大学光学影像分析与学习中心，陕西 西安710072)

1 引言

在数据挖掘，机器学习等领域中，聚类技术是无监督数据探索和分析的重要工具，但数据聚类仍然是一个非常具有挑战性的问题。其目的是发现给定数据集本身的固有结构并将该数据集划分为特定的同类组，即簇。在过去的几十年中，通过利用各种技术提出了许多聚类算法[1-6]。

聚类集成旨在合并多个聚类[7]以获得可能更好，更鲁棒的聚类结果，这在发现奇异聚类，处理噪声的聚类解决方案方面显示出优势[8]。随着聚类集成技术的不断发展，其中有些研究者通过结合其它技术来提高最终聚类准确率，如投票法[9]、超图划分[10]。Fred等[11]提出了证据累积方法，通过断裂最弱的连接发现自然的簇。王红军等[12]提出了一种基于隐含变量的聚类集成模型，直接利用多个聚类的结果来组成原始数据集的不同特征，直接应用聚类算法。Strehl等[13]基于图划分的思想提出了基于簇相似的分割算法CSPA(Cluster-based Similarity Partitioning Algorithm)，超图分割算法HGPA(HyperGraphs Partitioning Algorithm)和元聚类算法MCLA(Meta-CLustering Algorithm)3种聚类集成算法。通过构造共协矩阵，并将样本和基聚类分别作为图的顶点，将最初的优化问题转化为图的分割问题，有效提高了聚类质量。Fern等[14]提出一个称为混合二部图的构想HBGF(Hybrid Bipartite Graph Formulation)算法充分的利用样本与基聚类之间的潜在信息。

以往的聚类集成不能直接得到最终的聚类结果，得到的解还需要运用传统的聚类算法比如k-means算法[15]，谱聚类算法[16]等等，在整个过程中使解由离散-连续-离散的转变，可能会导致最终的解与最优解产生较大的偏离。……