1.一种基于稀疏均值的模糊聚类方法,其特征在于:所述方法包括以下步骤:步骤1.1:将待聚类的文档用向量空间模型表示为高维稀疏向量X={x1,x2,…xn},其中每个样本点为s维向量,即xi∈Rs,s>0,1≤i≤n;n为样本总数,n>0;
步骤1.2:设置参数,所述参数包括类数k、模糊化系数m、初始正则项权重β0、结束判断参数ε及最大迭代次数T;0<k<n,1<m<2;β0>0;设定带有均值l1范数正则项的最小化目标函数 其中,uci表示第i个样本到第c个类的隶属度,δc表示第c个类的均值;
步骤1.3:初始化均值,得到与最后结果相近的k个初始均值分别为[δ1,δ2,…δk];计迭代次数l=1;
步骤1.4:基于当前均值,利用式 更新所有隶属度的值,1≤c≤k;
步骤1.5:对每一类c=1,2,…,k,更新权重β,然后基于步骤1.4的隶属度uci更新对应的k个均值;
步骤1.6:当对应的k个均值不再变化或迭代次数l>T,迭代结束;否则重复步骤1.3;
步骤1.7:输出聚类结果。
2.根据权利要求1所述的一种基于稀疏均值的模糊聚类方法,其特征在于:所述步骤
1.2中,最小化目标函数 应当同时满足的约束条件为:对所有c和i满足uci≥0,对所有i,
3.根据权利要求1所述的一种基于稀疏均值的模糊聚类方法,其特征在于:所述步骤
1.2中,模糊化系数m≤1.2。
4.根据权利要求1所述的一种基于稀疏均值的模糊聚类方法,其特征在于:所述步骤
1.2中,初始正则项权重β0≤10。
5.根据权利要求1所述的一种基于稀疏均值的模糊聚类方法,其特征在于:所述步骤
1.5中,基于步骤1.4的隶属度uci更新权重β,
6.根据权利要求5所述的一种基于稀疏均值的模糊聚类方法,其特征在于:所述步骤
1.5中,采用式 更新对应的k个均值,其中,sign(δc')返回该向量中对应元素的符号。
7.根据权利要求5所述的一种基于稀疏均值的模糊聚类方法,其特征在于:所述步骤
1.5中,选出每个δc中权重最大的字符作为关键词用于描述或解释该类别。
8.根据权利要求1所述的一种基于稀疏均值的模糊聚类方法,其特征在于:所述步骤
1.6中,当 时,迭代结束。
9.根据权利要求1所述的一种基于稀疏均值的模糊聚类方法,其特征在于:所述步骤
1.7中,所述聚类结果为k个均值和记录所有样本到类的隶属度矩阵U。
10.根据权利要求9所述的一种基于稀疏均值的模糊聚类方法,其特征在于:所述步骤
1.7中,将隶属度矩阵U中的每个样本k分配给隶属度最大的类,得到每个样本点k的类标签。