基于多扰动的局部自适应软子空间聚类融合算法

提出基于随机初始化、参数扰动和特征子集映射的多扰动的局部自适应软子空间聚类(lac)融合算法(mlace)。mlace具有以下特点:(i)多扰动融合:从初始化、参数和特征子集等不同侧面,探测数据内部结构,使之相互融合,从而达到改善聚类正确性的目的；(ii)融合信息提升:根据lac算法输出的子空间权重矩阵,定义数据属于每一类的概率,形成提升的融合信息；(iii)融合一致性函数改进:融合信息的形式由0/1二值信息转换成[0,1]实值信息,因此,一致性函数采用了性能较优的实数值融合算法fastglobalk-means来进一步改善融合正确性。实验选取2个仿真数据库和5个uci数据库测试mlace的聚类正确性,实验结果表明,mlace聚类正确性优于k-means、lac、基于参数扰动lac融合算法(p-mlace)。