Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Neural Computing and Applications
Erschienen in: Neural Computing and Applications 5/2013

01.10.2013 | Original Article

Robust and smart spectral clustering from normalized cut

verfasst von: Wanzeng Kong, Sanqing Hu, Jianhai Zhang, Guojun Dai

Erschienen in: Neural Computing and Applications | Ausgabe 5/2013

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

How to determine the scale parameter and the cluster number are two important open issues of spectral clustering remained to be studied. In this paper, it is aimed to overcome these two problems. Firstly, we analyze the principle of spectral clustering from normalized cut. Secondly, on one hand, a weighted local scale was proposed to improve both the classification performance and robustness. On the other hand, we proposed an automatic cluster number estimation method from standpoint of Eigenvectors of its affinity matrix. Finally, a framework of robust and smart spectral clustering method was concluded; it is robust enough to deal with arbitrary distributed datasets and smart enough to estimate cluster number automatically. The proposed method was tested both on artificial datasets and UCI datasets, and experiments prove its availability.
Vorheriger Artikel Intelligent control of nonlinear systems with application to chemical reactor recycle
Nächster Artikel Color image segmentation using neuro-fuzzy system in a novel optimized color space

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren
Literatur
1.
Jain AK, Murty MN, Flynn PJ (1999) Data clustering: a review. ACM Comput Surv 31(3):264–323CrossRef
2.
Duda RO, Hart PE, Stork DG (2000) Pattern classification, 2nd edn. Wiley, New York
3.
4.
Filipponea M, Camastrab F, Masullia F, Rovetta S (2008) A survey of kernel and spectral methods for clustering. Pattern Recognit 41(1):176–190CrossRef
5.
Nga Y, Jordan MI, Weiss Y(2002) On spectral clustering: analysis and an algorithm. Proceedings of the 14th advances in neural information processing systems (NIPS). MIT Press, Cambridge, vol. 200, pp 849–856
6.
Nascimento MCV, de Carvalho ACPLF (2011) Spectral methods for graph clustering—a survey. Eur J Oper Res 211:221–231CrossRefMATH
7.
Chen W, Feng G (2012) Spectral clustering: a semi-supervised approach. Neurocomputing 77:229–242CrossRef
8.
Ozertem U, Erdogmus D, Jenssen R (2008) Mean shift spectral clustering. Pattern Recognit 41:1924–1938CrossRefMATH
9.
Yang P, Zhu Q, Huang B (2011) Spectral clustering with density sensitive similarity function. Knowl Based Syst 24(5):621–628CrossRef
10.
11.
Lihi ZM, Pietro P (2005) Self-tuning spectral clustering. Adv Neural Inform Process Syst 17:1601–1608
12.
Zhang X, Li J, Yu H (2011) Local density adaptive similarity measurement for spectral clustering. Pattern Recognit Lett 32(2):352–358CrossRef
13.
Kong W, Sun Z, Yang C et al (2010) Automatic spectral clustering based on eigengap and orthogonal eigenvector. Acta Electronica Sinica 38(8):1980–1985
14.
Rebagliati N, Verri A (2011) Spectral clustering with more than K eigenvectors. Neurocomputing 74:1391–1401CrossRef
15.
Wu Z, Leahy R (1993) An optimal graph theoretic approach to data clustering: theory and its application to image segmentation. IEEE Trans Pattern Anal Mach Intell 15(11):1101–1113CrossRef
16.
Meila M, Xu L (2004) Multiway cuts and spectral clustering. Technical Report, Department of Statistics, University of Washington, Washington
17.
Yu SX, Shi J (2004) Segmentation given partial grouping constraints. IEEE Trans Pattern Anal Mach Intell 26(2):173–183CrossRef
18.
Hagen L, Kahng AB (1992) New spectral methods for ratio cut partitioning and clustering. IEEE Trans Comput Aided Des 11(9):1074–1085CrossRef
19.
Ding C, He X, Zha H, Gu M, Simon H (2001) A min–max cut algorithm for graph partitioning and data clustering. In: Proceedings of the IEEE international conference on data mining, pp 107–114
20.
Chen W, Feng G (2012) Spectral clustering with discriminant cuts. Knowl Based Syst 28:27–37CrossRef
21.
Dhillon IS, Guan Y, Kulis B (2004) Kernel k-means: spectral clustering and normalized cuts. In: International Conference on KDD, pp 551–556
Metadaten
Titel
Robust and smart spectral clustering from normalized cut
verfasst von
Wanzeng Kong
Sanqing Hu
Jianhai Zhang
Guojun Dai
Publikationsdatum
01.10.2013
Verlag
Springer London
Erschienen in
Neural Computing and Applications / Ausgabe 5/2013
Print ISSN: 0941-0643
Elektronische ISSN: 1433-3058
DOI
https://doi.org/10.1007/s00521-012-1101-4

Weitere Artikel der Ausgabe 5/2013

Neural Computing and Applications 5/2013 Zur Ausgabe

Original Article

Face recognition based on fusion of multi-resolution Gabor features

Original Article

Inverse spectral problems for impulsive Dirac operators with spectral parameters contained in the boundary and discontinuity conditions polynomially

Original Article

Adaptive neural network output feedback control of stochastic nonlinear systems with dynamical uncertainties

Original Article

A new effect of radius of gyration with neural networks

Original Article

An artificial neural-network model for impact properties in X70 pipeline steels

Original Article

Backcalculation of pavement layer thickness using data mining