[发明专利]基于局部密度和single‑pass的核k均值方法

权利要求书

1.基于局部密度和single-pass的核k均值方法，其特征在于，具体按照以下步骤实施：

步骤1、确定数据集D，通过局部密度法选取初始类中心点；

步骤2、待步骤1完成后，随机选择一个包含初始中心点M的样本数据集S；

步骤3、待步骤2完成后，应用kernel k-means算法对样本数据集S进行聚类，其输入参数为：样本点S、聚类数目K、核函数H，输出结果为样本S最终聚类的结果，记为

步骤4、待步骤3完成后，使用梯度下降法对Π_s中每个类的中心点{M₁,M₂,M₃,……,M_j}进行优化；

步骤5、待步骤4完成后，将数据集D中其余所有的数据点依次按顺序计算与已有所有类中心M_j的距离，并将其划分到最近的类C_j中；

步骤6、待步骤5完成后，输出数据集D最终的聚类结果。

2.根据权利要求1所述的基于局部密度和single-pass的核k均值方法，其特征在于，所述步骤1具体按照以下方法实施：

在聚类前，采用局部密度法选取初始类中点，其思想具体如下：

空间中任意一点p和距离AverageDist，以p点为中心，半径为AverageDist的区域为p点的区域，区域内点的个数称为点p基于AverageDist的密度参数，记为density(p，AverageDist)，具体表达方式如下；

具体按照以下步骤实施：

步骤1.1、计算数据集D中两两数据点之间的距离；

步骤1.2、经步骤1.1后，计算两两数据点之间的平均距离AverageDist；

步骤1.3、经步骤1.2后，数据集中所有数据点的密度参数density(p，AverageDist)，构成一个集合SET；

步骤1.4、经步骤1.3后，将集合SET中密度最大的数据点作为第一个聚类中心点，同时将与该中心点距离小于AverageDist的点及其密度参数从集合SET中删除；

步骤1.5、重复步骤1.3和步骤1.4，直至找到k个类中心为止；

步骤1.6、待步骤1.5完成后，输出k个中心点M＝{m₁,m₂,m₃,……,m_k}。

3.根据权利要求1所述的基于局部密度和single-pass的核k均值方法，其特征在于，所述步骤2具体按照以下方法实施：

从原始数据集D中，通过采样的方式随机选取一个包含初始中心点的样本数据集S，将对大规模数据集的聚类转换为先对小规模数据集的聚类。

4.根据权利要求1所述的基于局部密度和single-pass的核k均值方法，其特征在于，所述步骤4具体按照以下步骤实施：

步骤4.1、求解目标函数J(X)的导数J`(X)；

步骤4.2、经步骤4.1后，针对每一个类簇，确定一个初始的出发点

步骤4.3、经步骤4.2后，按梯度的方向不断迭代，寻找下一个近似点：

$M_j^{r+1}=M_j^r-{\mathrm{\αJ}}^{`}\left(M_j^r\right)---\left(2\right);$

式(2)中：r＝r+1，α表示步长，范围为(0，1)；

步骤4.4、重复步骤4.3，直至的值收敛为止；

此时∏_s类的中心点为

步骤4.5、待步骤4.4完成后，输出∏_s中所有类的中心点{M₁,M₂,M₃,……,M_j}。