摘要：将二部图模型引入聚类集成问题中,使用二部图模型同时建模对象集和超边集,充分挖掘潜藏在对象之间的相似度信息和超边提供的属性信息.设计正则化谱聚类算法解决二部图划分问题,在低维嵌入空间运行Kmeans++算法划分对象集,获得最终的聚类结果.在多组基准数据集上进行实验,实验结果表明所提出方法不仅能获得优越的结果,而且具有较高的运行效率.

摘要：针对自适应聚类集成选择方法 (Adaptive cluster ensemble selection, ACES)存在聚类集体稳定性判定方法不客观和聚类成员选择方法不够合理的问题,提出了一种改进的自适应聚类集成选择方法 (Improved ACES, IACES). IACES依据聚类集体的整体平均归一化互信息值判定聚类集体稳定性,若稳定则选择具有较高质量和适中差异性的聚类成员,否则选择质量较高的聚类成员.在多组基准数据集上的实验结果验证了IACES方法的有效性:1) IACES能够准确判定聚类集体的稳定性,而ACES会将某些不稳定的聚类集体误判为稳定; 2)与其他聚类成员选择方法相比,根据IACES选择聚类成员进行集成在绝大部分情况下都获得了更佳的聚类结果,在所有数据集上都获得了更优的平均聚类结果.

摘要：文本数据具有高维、稀疏、海量的特性,给传统的聚类算法带来了极大挑战.提出一种基于t-分布随机近邻嵌入(t-Distributed Stochastic Neighbor Embedding,t-SNE)的文本聚类方法.首先通过t-SNE将高维文本数据嵌入到低维空间,使得高维空间相似度较低的文本对应的映射点距离较远,而相似度较高的文本对应的映射点距离较近;然后根据低维空间映射点坐标,再采用传统的聚类分析算法进行聚类,得到最终的聚类结果.在多个基准文本数据集上进行了实验测试,验证了该方法的有效性.

摘要：书法欣赏被广泛认为需要进行时序还原,而绘画的时序还原长期被忽略,并且笔触的细节特征被认为能增强时序的感知。为了量化时序感以及探究笔触细节特征对时序感的影响,提出了一种基于马尔可夫链熵率的书画作品时序感量化方法。首先,将个体在书画作品上标记点的感知时序建模为马尔可夫链;然后,计算马尔可夫模型的熵率得到感知时序的不确定性;最后,采用负熵来衡量感知时序的有序性,并将其归一化得到量化指标——时序感。通过对多个书画作品的时序感实测,验证了此方法的可行性,并基于该度量研究了图形变换对书画作品时序感知的影响。实验结果显示,原始图像在旋转或镜像变换后的时序感的一致性保持在较高水平,但正确率有显著变化。这意味着,笔触特征并非形成时序感受的首要因素,观者自身的笔顺经验在其中更加重要,而该推论还需进一步验证。