基于点密度的半监督ca算法在图像聚类中的应用

？经典竞争凝聚（ca）算法具有自动寻找聚类总数的特性，避免了预判参数对聚类结果的影响，但在聚类过程中，该算法并未利用样本数据中普遍存在的少量已知信息，而这些已知信息往往能够对整个聚类过程提供有益的帮助；此外算法在相似度度量函数上采用了最为常见的欧氏距离，该距离仅适用于球状的聚类，且存在等划分的趋势，这就制约了算法的应用范围。针对上述问题，通过引入具有半监督学习能力的半监督项，增强隶属度矩阵的划分能力，并利用样本数据的点密度信息，生成距离调节因子修正欧氏距离，最终得到了基于点密度的半监督ca算法。在人造模拟图像和真实图像上的聚类分割结果，以及与其它算法的性能比较，表明了所得算法，能得到较为准确的中心值，有更佳的聚类效果。