来源：期刊VIP网 时间：
作者：刘永利;常冉;
单位：河南理工大学计算机科学与技术学院;
摘要：目的 传统聚类算法多属于单视图聚类的范畴，在数据结构形式日趋复杂的今天，单视图聚类越来越难以对数据集进行全面而准确的知识表达。特别地，虽然证据C-均值聚类算法的数据结构揭示能力比较突出，但是囿于单视图的算法设计，其对于数据集的综合描述能力较为薄弱。方法 为解决该问题，提出一种基于证据C-均值聚类的多视图模糊聚类算法。该算法在信念函数的理论框架下形成凭证分区，然后计算各特征在不同视图下的权重，并将该权重赋予不同视角下的各个分区，从而生成最终的聚类结果。一方面扩展了硬划分、模糊划分和可能性划分的概念，可同时继承证据C-均值聚类算法和多视图模糊聚类的优点，挖掘不同视图下的有价值信息，另一方面能够根据视图重要程度自动分配权重，据此提高聚类准确率。结果 为验证算法的聚类效果，在4个多视图数据集上与其他5种算法进行了对比实验，实验内容包括聚类准确率、聚类效率和参数分析3部分。实验结果表明，所提算法在准确率、F度量和标准化互信息3个量化指标上表现较好，说明在聚类准确率方面优于对比算法；在聚类效率上，除去在个别数据集上因迭代次数过多导致聚类时间略长外，总体接近于对比算法中的最优表现。结论 这些表现进一步证明了所提算法在处理多视图数据集时的有效性。
关键词：聚类;;多视图;;特征;;权重;;准确率
基金资助：国家自然科学基金资助项目（61872126）
