一種新的基于流行距離的譜聚類算法

　　本文提出了一種新的基于流行距離的譜聚類算法，這是一種新型的聚類分析算法。不僅能夠?qū)θ我獾姆且?guī)則形狀的樣本空間進行聚類，而且能獲得全局最優(yōu)解。文章以聚類算法的相似性度量作為切入點，對傳統(tǒng)的相似性測度方法進行改進，將傳統(tǒng)譜聚類算法（NJW-SC）中的基于歐氏距離的相似性測度換為基于流行距離的相似性測度，在此基礎(chǔ)上對樣本對象集進行聚類。之后將新提出來的算法同K-Means算法、傳統(tǒng)譜聚類算法、模糊C均值聚類算法在人工數(shù)據(jù)集上進行實驗對比，得出新的算法在非凸形狀的數(shù)據(jù)集和在全局一致性上取得了較好的效果。在UCI數(shù)據(jù)集上用人工評價指標F-measure對聚類質(zhì)量進行評價，發(fā)現(xiàn)其也優(yōu)于其他方法。在通過實驗數(shù)據(jù)驗證后，我將譜聚類算法應(yīng)用在實際的數(shù)據(jù)中，看其是否能取得良好的效果。查閱資料，最終選取了極光圖像，通過對極光圖像的分類驗證了譜聚類算法在極光分類中也有很好的應(yīng)用。