典型文献
非对称卷积编码器的聚类算法
文献摘要：
基于深度神经网络的非监督学习方法通过联合优化特征表示和聚类指派,大大提升了聚类任务的性能.但大量的参数降低了运行速度,另外,深度模型提取的特征的区分能力也影响聚类性能.为此,提出一种新的聚类算法(asymmetric fully-connected layers convolutional auto-encoder,AFCAE),其中卷积编码器结合非对称全连接进行无监督的特征提取,然后K-means算法对所得特征执行聚类.网络采用3×3和2×2的小卷积核,大大减少了参数个数,降低了算法复杂性.在MNIST上AFCAE获得0.960的聚类精度,比联合训练的DEC(deep embedding clustering)方法(0.840)提高了 12个百分点.在6个图像数据集上实验结果表明AFCAE网络有优异的特征表示能力,能出色完成下游的聚类任务.
文献关键词：
无监督;聚类;深度神经网络;卷积神经网络;自编码器;特征学习;特征表示;算法复杂性
中图分类号：
作者姓名：
杨梦茵;陈俊芬;翟俊海
作者机构：
河北大学数学与信息科学学院,河北保定071002;河北省机器学习与计算智能重点实验室,河北保定071002
文献出处：
引用格式：
[1]杨梦茵;陈俊芬;翟俊海-.非对称卷积编码器的聚类算法)[J].智能系统学报,2022(05):900-907
A类：
AFCAE
B类：
非对称卷积,卷积编码,聚类算法,深度神经网络,监督学习,联合优化,特征表示,类指,指派,运行速度,深度模型,区分能力,asymmetric,fully,connected,layers,convolutional,auto,encoder,全连接,接进,无监督,means,卷积核,大大减少,数个,算法复杂性,MNIST,聚类精度,联合训练,DEC,deep,embedding,clustering,百分点,图像数据集,示能,出色完成,自编码器,特征学习
AB值：
0.4783
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
