一种新的基于流行距离的谱聚类算法

　　本文提出了一种新的基于流行距离的谱聚类算法，这是一种新型的聚类分析算法。不仅能够对任意的非规则形状的样本空间进行聚类，而且能获得全局最优解。文章以聚类算法的相似性度量作为切入点，对传统的相似性测度方法进行改进，将传统谱聚类算法（NJW-SC）中的基于欧氏距离的相似性测度换为基于流行距离的相似性测度，在此基础上对样本对象集进行聚类。之后将新提出来的算法同K-Means算法、传统谱聚类算法、模糊C均值聚类算法在人工数据集上进行实验对比，得出新的算法在非凸形状的数据集和在全局一致性上取得了较好的效果。在UCI数据集上用人工评价指标F-measure对聚类质量进行评价，发现其也优于其他方法。在通过实验数据验证后，我将谱聚类算法应用在实际的数据中，看其是否能取得良好的效果。查阅资料，最终选取了极光图像，通过对极光图像的分类验证了谱聚类算法在极光分类中也有很好的应用。