基于能量距离推广的Ward聚类算法研究

发布时间：2018-05-23 19:52

  本文选题：能量距离 + 组间组内距离　； 参考：《统计与决策》2017年22期

【摘要】：能量距离源于牛顿重力势能,作为一种统计观测距离函数,近年来得到了越来越广泛的应用,文章将其用于聚类算法研究。能量距离函数定义为组间组内对象的指数距离之差,将传统的Ward最小离差平方和法(指数为2)进行了推广。组间组内距离统计量决定了聚类算法的超度量性和空间扩张性,指数小于2的情形还具有统计一致性。推广后的Ward聚类算法能够区分具有几乎相同重心的类,是该方法相比传统聚类算法的优势所在,最后通过实验验证上述结论。
[Abstract]:Energy distance is derived from Newtonian gravitational potential energy. As a statistical observation distance function, it has been used more and more widely in recent years. In this paper, it is applied to clustering algorithm. The energy distance function is defined as the difference of exponential distance between groups. The traditional Ward least deviation square sum method (exponential 2) is generalized. The intra-group distance statistics determine the hypermetric and spatial expansibility of the clustering algorithm, and the statistical consistency exists when the index is less than 2. The extended Ward clustering algorithm can distinguish the clusters with almost the same center of gravity, which is the advantage of this method compared with the traditional clustering algorithm. Finally, the above conclusions are verified by experiments.
【作者单位】： 中国地质大学(武汉)数学与物理学院;
【分类号】：TP311.13

【相似文献】

相关博士学位论文 前2条

1 超木日力格;基于雅克比矩阵的软划分聚类算法分析[D];北京交通大学;2017年

2 高兵;基于密度的数据流聚类方法研究[D];哈尔滨工程大学;2014年

相关硕士学位论文 前6条

1 张灿龙;不确定DM-chameleon聚类算法在滑坡危险性预测的研究及应用[D];江西理工大学;2017年

2 郭亚锐;面向大规模数据的多视角K-means聚类算法的研究[D];郑州大学;2017年

3 曹晓锋;面向维度的高维聚类边界检测技术研究[D];郑州大学;2017年

4 邱雪营;基于图像视觉上下文的多元IB聚类算法[D];郑州大学;2017年

5 栗国保;基于MapReduce的分布式聚类算法的研究[D];江西理工大学;2017年

6 贾yN恺;基于深度特征学习的目标检测与跟踪算法研究[D];西安科技大学;2017年

，

本文编号：1926110