基于相似性保持和特征变换的高维数据聚类改进算法

摘要

提出一种基于相似性保持和特征变换的高维数据聚类改进算法.首先,通过相似性度量函数计算得到高维空间对象相似度矩阵,并利用近邻法、Floyd最短路径算法将相似度矩阵转换为最短路径距离矩阵；然后,将高维特征变换转化为遗传优化问题,利用特征变换降维后的二维数据进行k-均值聚类,并根据(高维坐标,降维后二维坐标)值进行RBF神经网络训练,当新对象输入时,利用训练好的神经网络对其进行二维映射,通过判断该对象与各聚类簇中心距离的远近获得其归属；最后,通过试验验证了改进相似性度量函数能够有效表达高维数据对象间的相似性,且基于特征变换的降维方法具有可操作性.