中文核心期刊
中国科技论文统计源期刊
国际刊号:1005-2615
国内刊号:32-1429/V
用户登录
  E-mail:  
  密  码:  
  作者 审稿  
  编辑 读者  
期刊向导
联系方式ʽ
  • 主管:工业和信息化部
  • 主办:南京航空航天大学
  • 国际刊号:1005-2615
  • 国内刊号:32-1429/V
  • 地址:南京市御道街29号
  • 电话:025-84892726
  • 传真:025-84892726
  • E-mail:tnc01@nuaa.edu.cn
  • 邮编:210016
徐晓华,方威,何萍,仁祥,姜玉麟,葛方毅.峰值点非负矩阵分解聚类算法[J].南京航空航天大学学报,2021,53(5):772-779
峰值点非负矩阵分解聚类算法
Clustering Algorithm for Peaks Non-negative Matrix Factorization
投稿时间:2020-09-25  修订日期:2020-11-09
DOI:10.16356/j.1005-2615.2021.05.015
中文关键词:  非负矩阵分解  降维  密度峰值  图正则  聚类分析
英文关键词:non-negative matrix factorization  dimensionality reduction  density peaks  graph regularization  clustering analysis
基金项目:国家自然科学基金(61402395)资助项目;江苏省自然科学基金(BK20201430,BK20151314,BK20140492)资助项目。
作者单位邮编
徐晓华 扬州大学信息工程学院 扬州 225000 225000
方威 扬州大学信息工程学院 扬州 225000 225000
何萍 扬州大学信息工程学院 扬州 225000 225000
仁祥 扬州大学信息工程学院 扬州 225000 225000
姜玉麟 扬州大学信息工程学院 扬州 225000 225000
葛方毅 扬州大学信息工程学院 扬州 225000 225000
摘要点击次数: 82
全文下载次数: 127
中文摘要:
      非负矩阵分解模型是一种常见的数据降维方法。在现有非负矩阵分解算法用于聚类的研究中,每个类别一般仅由一个或者指定多个中心点表示,然而这种表示方式往往无法准确描述其类别的特征和结构,从而影响聚类效果。为了解决这个问题,本文提出了峰值点非负矩阵分解算法。该算法首先为数据集找到多个密度峰值点,并构建密度峰值点和样本点的二部图,然后利用二部图完成聚类。此外该算法引入流形图正则化项来充分利用数据间的流形结构信息,并给出了算法的迭代更新规则。在大量真实数据集上的实验结果表明,该方法可以更加有效地利用数据本身的结构信息,从而提高聚类效果。
英文摘要:
      The non-negative matrix factorization model is a common data dimensionality reduction method. In the existing non-negative matrix factorization algorithm for clustering research, each category is generally represented by only one or more designated center points. However, this type of representation often fails to accurately describe the characteristics and structure of its category, which affects the clustering performance. In order to solve this problem, we proposed the peaks non-negative matrix factorization (PNMF) algorithm. The algorithm first finds multiple density peak points for the dataset, constructs a bipartite graph of the density peak points and sample points, then uses the bipartite graph to complete the clustering. In addition, the algorithm introduces a manifold regularization term to make full use of the manifold structure information between the data, and gives the iterative update rules of the algorithm. Sufficient experiments on real-world datasets demonstrate that the proposed method can effectively utilize the structural information of data and improve the clustering performance.
[HTML]  查看全文  查看/发表评论  下载PDF阅读器
关闭

Copyright @2010-2015《南京航空航天大学学报》编辑部

地址:南京市御道街29号        邮编:210016

电话:025-84892726      传真:025-84892726       E-mail:tnc01@nuaa.edu.cn

您是本站第3864773位访问者 本站今日一共被访问1735

技术支持:北京勤云科技发展有限公司

敬请关注《南航学报》官方微信