自适应Rulkov神经元聚类算法

作者：廖云荣; 任海鹏^*

来源：模式识别与人工智能, 2021, 34(10): 957-968.

DOI：10.16451/j.cnki.issn1003-6059.202110008

• 共享近邻
• 相似度矩阵
• Rulkov神经元
• 自适应学习

针对类间间距较小、可分性较差的样本数据聚类问题,文中提出自适应Rulkov神经元聚类算法.首先,构建基于自适应距离和共享近邻的相似度矩阵,将样本构成的无向图的最优分割问题转化为拉普拉斯矩阵的谱分解问题,并按特征值大小选取拉普拉斯矩阵的特征向量作为新的样本特征,增大样本类间间距,减小类内间距.然后,将样本根据新特征映射为神经元,样本特征距离决定神经元之间的耦合权值,通过耦合强度自学习进一步提升样本可分性.最后,通过强连通分量实现样本聚类.在多个合成数据集和真实数据集上的实验表明文中算法获得较优的聚类效果.

• 单位
  西安工业大学