文献记录(part15)--面向高维数据的聚类算法研究

学习笔记，仅供参考，有错必究

面向高维数据的聚类算法研究

摘要

随着信息技术的发展，数据的维度在不断增加，传统的聚类算法将面临以下挑战和问题：

• 高维数据包含大量冗余的、不相干的信息，数据之间的差异性可能是由部分特征子集导致的，直接对高维数据进行聚类，会降低算法的性能；
• 高维数据通常存在于多个低维子空间中，传统的距离度量方式不再适用于高维数据;
• 传统的聚类算法本身就存在稳定性较差的问题，对于高维数据，更是难以满足高稳定性的需求.

因此，研究面向高维数据的聚类算法是一项非常有意义并且有挑战的课题。近年来，学者们主要从特征选择、子空间聚类、聚类集成三个方面开展了高维数据聚类算法的研究，提出了许多有效的聚类算法，但仍存在以下问题：

• 对特征之间的相关性利用不充分;
• 忽略了噪声以及表达矩阵的结构特性对子空间聚类的影响;
• 忽略了初始聚类结果所包含子类之间的结构信息和判别性信息.

针对上述问题，本文从四个方面开展了高维数据聚类算法