计算机应用研究

作者：孙印杰,张新乐,孙林,

单位：河南师范大学a.计算机与信息工程学院;b.河南省高校计算智能与数据挖掘工程技术研究中心,河南新乡453007；

关键词：特征选择,有效距离,K-medoids聚类,邻域距离,

基金：国家自然科学基金资助项目(61772176,U1604156,11702087)；中国博士后科学基金资助项目(2016M602247)；河南省科技创新人才项目(184100510003)；河南省科技攻关项目(182102210362,162102210261,182102210078)；河南省高校青年骨干教师培养计划资助项目(2017GGJS041)；河南省自然科学基金资助项目(182300410130,182300410368)；河南省高等学校重点科研计划资助项目(14A520069)；新乡市

针对传统聚类算法中只注重数据间的距离关系而忽视数据全局性分布结构的问题，提出一种基于EK-medoids聚类和邻域距离的特征选择方法。首先，用稀疏重构的方法计算数据样本之间的有效距离，构建基于有效距离的相似性矩阵；然后，将相似性矩阵应用到K-medoids聚类算法中，获取新的聚类中心，进而提出EK-medoids聚类算法，可有效对原始数据集进行聚类；最后，根据划分结果所构成簇的邻域距离给出确定数据集中的属性重要度定义，应用启发式搜索方法设计一种EK-medoids聚类和邻域距离的特征选择算法，降低了聚类算法的时间复杂度。实验结果表明，该算法不仅有效地提高了聚类结果的精度，而且也可选择出分类精度较高的特征子集。

来源：2019年第8期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2019年第8期