论文研究中心约束的跨源学习可能性C均值聚类算法.pdf

可能性C均值聚类算法（PossibilisticC-Means，PCM）相比于模糊C均值聚类算法（FuzzyC-Means，FCM），能更好地处理含有噪音和例外点的数据，但在处理数据粘性较强的数据集时，PCM算法的聚类中心趋于一致，从而导致聚类算法直接失效。针对这个问题，提出了中心约束准则与跨域迁移学习准则，并将其应用到可能性C均值算法中，从而提出一种具有中心约束能力的聚类算法，简称中心约束的跨源学习聚类算法，改进后的算法能够利用跨域知识进行辅助聚类，确保类中心相互远离，从而能够保证算法的聚类性能。通过模拟数据集和真实数据集的实验，验证了该算法的上述优点。