基于非负矩阵分解的函数型聚类算法改进与比较OA北大核心CHSSCDCSSCICSTPCD
Improvement and Comparison of Functional Clustering Algorithms Based on Nonnegative Matrix Factorization
非负函数型数据可以不等间隔观测,在理论和实践中应用广泛,对其进行聚类可以更好地探索客观规律.文章利用位置积分变换将函数型数据转化为高维向量,再通过非负矩阵分解(NMF)将其转化为低维向量,以此构建函数型聚类算法.针对基于NMF的函数型谱聚类算法,给出了确定聚类个数K的两种方法:一种是根据Laplacian矩阵的特征值确定K;另一种是构建新评价指标,通过搜索确定K.数值实验结果显示:基于位置积分变换和NMF的函数型聚类算法有效,对函数结构要求宽松,…查看全部>>
Nonnegative function data can be observed at unequal intervals,which is widely used in theory and practice,and clustering them can better explore objective laws.This paper uses location integral transformation to convert the function data into high-dimensional vector,then transforms it into low-dimensional vectors by nonnegative matrix factorization(NMF),and con-structs functional clustering algorithms.For the functional spectral clustering algorithm based o…查看全部>>
王丙参;魏艳华;李旭
天水师范学院 数学与统计学院,甘肃 天水 741001天水师范学院 数学与统计学院,甘肃 天水 741001山西师范大学 数学与计算机科学学院,太原 030000
数学
函数型数据非负矩阵分解谱聚类聚类个数
functional datanonnegative matrix factorizationspectral clusteringnumber of clusters
《统计与决策》 2024 (15)
46-52,7
山西省自然科学基金青年项目(202203021222223)天水师范学院高层次人才科研项目(KYQ2023-13)
评论