[发明专利]一种改进的谱聚类及并行化方法

摘要

本发明公开了一种基于群智能算法的改进谱聚类方法，通过选取拉普拉斯矩阵的前2k个最大特征值对应的特征向量作为聚类的源数据，然后通过群智能算法选取优质的初始化中心点进行聚类操作，提高了聚类的最高准确率和多次聚类结果的稳定性。本发明引入了布谷鸟搜索算法寻找初始化中心点，将布谷鸟搜索算法过程中的适应度函数采用误差平方和函数，应用于谱聚类中，将搜索得到的最小的误差平方和的数据点作为初始化中心点。本发明将布谷鸟搜索算法中的莱维飞行策略引入粒子群算法，在粒子群算法收敛速度变缓情况下，使用莱维飞行策略产生频繁较小步长和和偶尔较大步长，在不同步长下引入不同侧重的速度更新公式。

主权项

1.一种改进的谱聚类及并行化方法，所述方法包括：选取拉普拉斯矩阵L的前2k个最大特征值对应的特征向量作为聚类的源数据，k为类簇数目；采用布谷鸟搜索算法寻找初始化中心点；所述采用布谷鸟搜索算法寻找初始化中心点包括如下步骤：(1)给定原始数据X＝[x1,x2,x3,…,xn]∈Rd和聚类数目k；(2)根据下面公式计算拉普拉斯矩阵L：A_ij＝exp(‑|d_ij|²/2σ²)，i≠j，A_ii＝0；(3)计算拉普拉斯矩阵L的前2k个最大特征值的特征向量的规范化矩阵Y；(4)在矩阵Y中随机地初始化n个鸟巢的位置(5)分别以n个鸟巢的位置作为聚类中心点进行聚类划分，计算每个鸟巢的适应度值F，并保留相对较小F值的鸟巢位置：Fbest＝min{F1,F2,…,Fn}；(6)按照布谷鸟搜索算法中的莱维飞行策略对鸟巢位置进行更新；(7)将更新位置后的鸟巢再次进行聚类划分，计算每个鸟巢的适应度，然后根据适应度对比新旧两代鸟巢，并对比上一代最小F值，保留相对较小F值鸟巢位置；(8)用随机数r∈[0,1]与发现概率Pa比较，若r＜Pa，保留鸟巢位置；若r＞Pa，则通过公式更新鸟巢位置，保留更新前后F值较小的鸟巢位置；(9)如果未达到最大迭代次数或设定的停止条件则返回步骤(5)继续执行；否则保留最小适应度值的解且进入下面步骤操作；(10)对获得的最优鸟巢位置进行K‑means聚类，最后输出聚类中心点和聚类结果。