摘要：针对传统欧氏距离测度描述复杂结构的数据分布会失效的问题,引入能有效反映样本集固有的全局一致性信息的流形距离作为样本间相似度度量测度,并设计了反映类内相似度大、类间相似度小的聚类目标的准则函数,把数据聚类转化成准则函数优化问题,提出了一种迭代优化的聚类算法.通过4个人工数据集的仿真试验结果表明,新方法的参数很少且实现简单,由于实现过程中没有引入随机操作,因此结果比较确定.与标准k均值算法相比,新方法能够自动确定聚类数目,对于样本空间分布复杂的聚类问题具有良好的分类效果.

摘要：针对现有算法检测精度不高和边缘定位不准确的问题,提出一种基于流形距离的迭代聚类路面裂缝提取算法。通过计算2个数据点之间的流形距离,设计聚类目标准则函数,利用迭代最优方法解决准则函数的优化问题,将所有数据点划分为背景和目标2个聚类,并结合图像分割算法提取路面裂缝信息。实验结果表明,该算法能稳定有效地提取出图像中的连续裂缝边缘,可用于路面裂缝的自动检测。

摘要：针对空间分布复杂的数据以及空间分布未知的现实数据聚类问题,设计了一种改进流形距离作为不相似测度。该不相似测度可有效利用所有数据点之间的全局一致性,挖掘无类属数据集的空间分布信息。通过使用该不相似测度,提出了基于改进流形距离K-medoids算法。将新算法与基于已有的流形距离和基于欧氏距离的Kmedoids算法进行性能比较,对八个人工数据集以及USPS手写体数字识别问题的实验结果表明:新算法针对不同结构的测试数据集,在聚类性能上均优于或接近于另外两种K-medoids算法,并且对于各种分布的,无论简单或复杂,凸或者非凸的数据都可以进行聚类。

摘要：对复杂流形结构数据集进行聚类的难点是难以度量复杂流形结构的相似度并确定聚类中心个数。为解决这一难题,提出一种基于流形距离的度量方法,判断样本点间的近邻关系。综合考虑数据集全局和局部的空间流形分布,定义各样本点的局部密度;根据各样本点局部密度大小及其与其它样本点局部密度的关系,定义聚类中心判别准则;基于分级的示例判决策略实现对聚类中心数的自动确定和聚类中心的自动选择。实验结果表明,对于存在具有流形结构的数据集,该方法相对于已有算法能够有效提高聚类精度。

摘要：针对传统的基于欧氏距离的相似性度量不能完全反映复杂结构的数据分布特性的问题,提出了一种基于相对密度和流形上k近邻的聚类算法。基于能描述全局一致性信息的流形距离,及可体现局部相似性和紧密度的k近邻概念,通过流形上k近邻相似度度量数据对象间的相似性,采用k近邻的相对紧密度发现不同密度下的类簇,设计近邻点对约束规则搜寻k近邻点对构成的近邻链,归类数据对象及识别离群点。与标准k-means算法、流形距离改进的k-means算法进行了性能比较,在人工数据集和UCI数据集上的仿真实验结果均表明,该算法能有效地处理复杂结构的数据聚类问题,且聚类效果更好。