典型文献
混合高斯变分自编码器的聚类网络
文献摘要：
目的 经典的聚类算法在处理高维数据时存在维数灾难等问题,使得计算成本大幅增加并且效果不佳.以自编码或变分自编码网络构建的聚类网络改善了聚类效果,但是自编码器提取的特征往往比较差,变分自编码器存在后验崩塌等问题,影响了聚类的结果.为此,本文提出了一种基于混合高斯变分自编码器的聚类网络.方法 使用混合高斯分布作为隐变量的先验分布构建变分自编码器,并以重建误差和隐变量先验与后验分布之间的KL散度(Kullback-Leibler divergence)构造自编码器的目标函数训练自编码网络;以训练获得的编码器对输入数据进行特征提取,结合聚类层构建聚类网络,以编码器隐层特征的软分配分布与软分配概率辅助目标分布之间的KL散度构建目标函数并训练聚类网络;变分自编码器采用卷积神经网络实现.结果 为了验证本文算法的有效性,在基准数据集MNIST(Modified National Institute of Standards and Technology Database)和Fashion-MNIST上评估了该网络的性能,聚类精度(accuracy,ACC)和标准互信息(normalized mutual information,NMI)指标在MNIST数据集上分别为95.86％和91％,在Fashion-MNIST数据集上分别为61.34％和62.5％,与现有方法相比性能有了不同程度的提升.结论 实验结果表明,本文网络取得了较好的聚类效果,且优于当前流行的多种聚类方法.
文献关键词：
聚类;混合高斯分布;变分自编码器(VAE);软分配;KL散度
中图分类号：
作者姓名：
陈华华;陈哲;郭春生;应娜;叶学义
作者机构：
杭州电子科技大学通信工程学院, 杭州 310018
文献出处：
引用格式：
[1]陈华华;陈哲;郭春生;应娜;叶学义-.混合高斯变分自编码器的聚类网络)[J].中国图象图形学报,2022(07):2148-2156
A类：
软分配
B类：
变分自编码器,聚类网络,聚类算法,高维数据,维数灾难,得计,计算成本,自编码网络,网络构建,崩塌,混合高斯分布,隐变量,先验分布,重建误差,后验分布,KL,散度,Kullback,Leibler,divergence,输入数据,配分,构建目标,基准数据集,MNIST,Modified,National,Institute,Standards,Technology,Database,Fashion,聚类精度,accuracy,ACC,互信息,normalized,mutual,information,NMI,聚类方法,VAE
AB值：
0.277338
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。
