基于深度信念网络的K-means聚类算法研究

摘要

针对传统K-means聚类算法对高维非线性数据聚类效果不佳、聚类时间消耗大的问题,文中对高维数据的预处理进行研究,提出一种基于深度信念网络(DBN)的K-means聚类算法(DBNOK).此算法首先使用多层受限玻尔兹曼机(RBM)对数据进行特征学习,并将学习到的隐含特征进行K-means聚类,保存初始学习参数与聚类中心;然后使用DBN对相关参数和初始聚类中心进行交叉迭代优化.用DBNOK算法分别在低维数据集和高维数据集上进行实验,结果表明,DBNOK算法聚类准确率优于标准的K-means算法和模糊均值聚类(FCM)算法.