科研之友
微信
新浪微博
Facebook
分享链接
摘要
基于Hinge损失的孪生支持向量机聚类和基于Ramp损失的孪生支持向量机聚类是两种平面聚类的新算法，为解决聚类问题提供了新的研究思路，逐渐成为模式识别等领域的研究热点。然而，它们在处理带有噪声数据的聚类问题时，往往性能表现不佳。为了解决这个问题，构造了非对称的Ramp损失函数，并在此基础上提出了一种改进的Ramp孪生支持向量机聚类算法。非对称Ramp损失函数不仅继承了Ramp损失函数的优点，用非对称的有界函数度量类内散度和类间散度，使得该算法对离聚类中心平面较远的数据点更加鲁棒，而且参数t的引入使得非对称Ramp损失函数更加灵活。特别地，当参数t等于1时，非对称Ramp损失函数退化为Ramp损失函数，使得基于Ramp损失函数的孪生支持向量机聚类算法成为所提算法的特例。同时，基于核技巧推广到了非线性情形，线性和非线性模型均为非凸优化问题，通过交替迭代算法有效求解。分别在多个UCI数据集和人工数据集上进行实验，实验结果验证了所提算法的有效性。
- 出版日期2023
- 单位数理学院; 安庆师范大学
