资料下载
×
如何融合密度峰值进行高斯混合模型聚类算法概述
消耗积分:0 |
格式:rar |
大小:0.92 MB |
2018-12-18
分享资料个
针对高斯混合模型（ GMM）聚类算法对初始值敏感且容易陷入局部极小值的问题，利用密度峰值（DP）算法全局搜索能力强的优势，对GMM算法的初始聚类中心进行优化，提出了一种融合DP的GMM聚类算法（DP-GMMC）。首先，基于DP算法寻找聚类中心，得到混合模型的初始参数；其次，采用最大期望（EM）算法迭代估计混合模型的参数；最后，根据贝叶斯后验概率准则实现数据点的聚类。在Iris数据集下，DP-GMMC聚类准确率可达到96. 67%，与传统GMM算法相比提高了33.6个百分点，解决了对初始聚类中心依赖的问题。实验结果表明，DP-GMMC对低维数据集有较好的聚类效果。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
