论文部分内容阅读
改进了One—Class SVM算法中约束条件的计算，以求得可用于聚类的支持向量(SV-Clustering SVM，SVCSVM)，从而使得一般应用于有监督的SVM算法可用于无监督的聚类中。通过在仿真数据集上与传统的K-means聚类算法和SOM聚类算法的比较。实验结果表明SVCSVM算法对一些不规则形状有着更好的聚类能力。不论是何种形状的边界，该方法都能有效地找出聚类边界，并且得到的聚类中心及边界是全局的，克服了传统的聚类方法由局部最小点定义聚类中心的缺点。还对SVCSVM算法的参数设置进行了进一步的分析。