一种鲁棒的特征权重自调节软子空间聚类算法

　　针对已有的特征权重自调节软子空间（ SC-FWSA）聚类算法存在对噪声敏感的问题，基于一种非欧氏距离，提出一种鲁棒的特征权重自调节软子空间（ RSC-FWSA）聚类算法。RSC-FWSA在迭代过程中自适应地为数据生成一个权函数，通过计算每一类数据的加权平均来计算聚类中心，这种“加权平均”使得聚类中心的估计对噪声相对不敏感，从而可以提升算法对带噪声数据和复杂结构数据的聚类精度。人工数据和真实数据上的对比性实验，验证了RSC-FWSA算法的有效性。特别是人工带噪声数据和3个真实数据：Wine，Zoo以及Breastcancer上的实验结果表明，RSC-FWSA可以显著提升原对应算法的聚类精度。RSC-FWSA具有的强鲁棒性使得该算法适用于高维带噪声和复杂结构数据的聚类问题。