RPCL算法的理论发展和应用

摘要

在传统的聚类分析中,通常需要针对给定的数据选择出正确或合理的类别数,否则算法无法得到理想的聚类分析结果。当采用竞争学习(Competitive Learning,CL)算法进行聚类分析时也面临着同样的问题。然而,一般数据集中实际聚类个数(或竞争单元个数)的推断与选择却是一个十分困难的问题。为了解决这一难题,对手惩罚竞争学习(Rival Penalized Competitive Learning,RPCL)算法建立了一种有效的思想和方法。它通过预设较大的聚类个数,在竞争学习中引入了对手惩罚的机制,自动地选择出正确的聚类中心与个数,并将多余的聚类中心排除到无穷点或远离数据的地方。这种独特的思想和方法为聚类分析开辟了一条崭新的途径。本文将深入分析RPCL算法的理论发展,包括产生的根源及其思想、理论基础、在不同情况下的推广和变式,并且总结了RPCL算法在各个领域中的应用。