.184 智能系统学报 第12卷 式中：N,表示第i个聚类与类j的契合程度，N:表 在本文所使用的对比算法中，极大嫡聚类MEC 示第i个聚类所包含的数据样本量，N,表示类j所 的嫡正则化参数y∈{0：0.05：1}，协同聚类 包含的数据样本量，而N表示整个数据样本的总量 DRCC的正则化参数A和4取值为 大小。RI表达式中的f。表示数据点具有不同的类 {0.1,1,10,100,500,1000}。 标签并且属于不同类的配对点数目，f,则表示数据 上述所有参数均由网格搜索[18]得到最优值， 点具有相同的类标签并且属于同一类的配对点数 实验结果均为运行算法15次的结果取均值及方 目，而N表示整个数据样本的总量大小。NMI、I 差所得。实验均在MARTLAB8.1.0.604 两种评价指标的取值范围均为[0,1]，取值越大表 (R2013a)平台下完成，操作系统为64位Win 明算法的性能越好。 dows7,CPU Intel(R)Core(TM)i3-3240 3.40 在本文所使用的迁移算法中，KT-MEC算法的 GHz,内存为4GB。 嫡正则化参数y∈{0：0.05：1}，迁移平衡因子 4.2聚类数相同的纹理图像分割 入∈{0.1,0.5,1,5,10,50,100,500,1000}，迁移隶 表2与图5分别为源域与目标域聚类数相同 属度的正则化参数7∈{0：0.05：1}。TSC算法和 时，各算法对纹理图像进行分割时的聚类性能对比 ST℃算法的参数设置详见文献[11]和文献[12]。 与图像分割结果对比。 表2源域与目标域的聚类数相同时的各算法聚类性能对比 Table 2 Performance comparison of algorithms when the number of clusters of source domain and target domain are same 数据集 评价指标 MEC CombKM DRCC STC TSC KT-MEC NMI-mean 0.4151 0.2500 0.2480 0.4986 0.5133 0.6336 NMI-std 0.0052 0.0308 0.0213 0 0.0066 0.0049 T RI-mean 0.8268 0.7532 0.7905 0.8690 0.8772 0.9063 RI-std 0.0087 0.0154 0.0037 0 0.0022 0.0011 NMI-mean 0.3027 0.2311 0.2264 0.3696 0.3470 0.5350 NMI-std 0.0048 0.0481 0.0188 0 0 0.0091 RI-mean 0.7777 0.7063 0.7783 0.7839 0.7708 0.8569 RI-std 0.0052 0.0287 0.0015 0 0 0.0124 NMI-mean 0.6039 0.6092 0.3422 0.6511 0.6104 0.6198 NMI-std 0.0359 0.0240 0.0241 0 5.77×104 0.0032 RI-mean 0.8553 0.8611 0.7849 0.8877 0.8726 0.8644 RI-std 0.0185 0.0268 0.0204 0 2.31×104 0.0008 NMI-mean 0.4557 0.4261 0.2413 0.5497 0.5511 0.6147 NMI-std 0.0197 0.0193 0.0143 0 0 0.0011 T RI-mean 0.8178 0.8082 0.7848 0.8472 0.8496 0.8757 RI-std 0.0044 0.0073 0.0013 0 0 0.0008 (a)6种算法分别在数据集T,上的图像分割结果 (b)6种算法分别在数据集T2上的图像分割结果式中： Ｎｉ，ｊ 表示第 ｉ 个聚类与类 ｊ 的契合程度， Ｎｉ 表 示第 ｉ 个聚类所包含的数据样本量， Ｎｊ 表示类 ｊ 所 包含的数据样本量，而 Ｎ 表示整个数据样本的总量 大小。 ＲＩ 表达式中的 ｆ ００ 表示数据点具有不同的类 标签并且属于不同类的配对点数目， ｆ １１ 则表示数据 点具有相同的类标签并且属于同一类的配对点数 目，而 Ｎ 表示整个数据样本的总量大小。 ＮＭＩ、ＲＩ 两种评价指标的取值范围均为［０，１］，取值越大表 明算法的性能越好。 在本文所使用的迁移算法中，ＫＴ⁃ＭＥＣ 算法的 熵正则化参数 γ ∈｛ ０ ∶ ０． ０５ ∶ １｝，迁移平衡因子 λ ∈｛０．１，０．５，１，５，１０，５０，１００，５００，１ ０００｝ ， 迁移隶 属度的正则化参数 η ∈｛０ ∶ ０．０５ ∶ １｝。 ＴＳＣ 算法和 ＳＴＣ 算法的参数设置详见文献［１１］和文献［１２］。 在本文所使用的对比算法中，极大熵聚类 ＭＥＣ 的熵正则化参数 γ ∈ ｛ ０ ∶ ０． ０５ ∶ １｝， 协同聚类 ＤＲＣＣ 的 正 则 化 参 数 λ 和 μ 取 值 为 {０．１，１，１０，１００，５００，１ ０００} 。 上述所有参数均由网格搜索［ １８］ 得到最优值， 实验结果均为运行算法 １５ 次的结果取均值及方 差 所 得。 实 验 均 在 ＭＡＲＴＬＡＢ ８． １． ０． ６０４ （Ｒ２０１３ａ）平 台 下 完 成， 操 作 系 统 为 ６４ 位 Ｗｉｎ⁃ ｄｏｗｓ７，ＣＰＵ 为 Ｉｎｔｅｌ（ Ｒ） Ｃｏｒｅ（ ＴＭ） ｉ３⁃３２４０ ３． ４０ ＧＨｚ，内存为 ４ ＧＢ。 ４．２ 聚类数相同的纹理图像分割 表 ２ 与图 ５ 分别为源域与目标域聚类数相同 时，各算法对纹理图像进行分割时的聚类性能对比 与图像分割结果对比。 表 ２ 源域与目标域的聚类数相同时的各算法聚类性能对比 Ｔａｂｌｅ ２ Ｐｅｒｆｏｒｍａｎｃｅ ｃｏｍｐａｒｉｓｏｎ ｏｆ ａｌｇｏｒｉｔｈｍｓ ｗｈｅｎ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｃｌｕｓｔｅｒｓ ｏｆ ｓｏｕｒｃｅ ｄｏｍａｉｎ ａｎｄ ｔａｒｇｅｔ ｄｏｍａｉｎ ａｒｅ ｓａｍｅ 数据集 评价指标 ＭＥＣ ＣｏｍｂＫＭ ＤＲＣＣ ＳＴＣ ＴＳＣ ＫＴ⁃ＭＥＣ Ｔ１ ＮＭＩ⁃ｍｅａｎ ０．４１５ １ ０．２５０ ０ ０．２４８ ０ ０．４９８ ６ ０．５１３ ３ ０．６３３ ６ ＮＭＩ⁃ｓｔｄ ０．００５ ２ ０．０３０ ８ ０．０２１ ３ ０ ０．００６ ６ ０．００４ ９ ＲＩ⁃ｍｅａｎ ０．８２６ ８ ０．７５３ ２ ０．７９０ ５ ０．８６９ ０ ０．８７７ ２ ０．９０６ ３ ＲＩ⁃ｓｔｄ ０．００８ ７ ０．０１５ ４ ０．００３ ７ ０ ０．００２ ２ ０．００１ １ Ｔ２ ＮＭＩ⁃ｍｅａｎ ０．３０２ ７ ０．２３１ １ ０．２２６ ４ ０．３６９ ６ ０．３４７ ０ ０．５３５ ０ ＮＭＩ⁃ｓｔｄ ０．００４ ８ ０．０４８ １ ０．０１８ ８ ０ ０ ０．００９ １ ＲＩ⁃ｍｅａｎ ０．７７７ ７ ０．７０６ ３ ０．７７８ ３ ０．７８３ ９ ０．７７０ ８ ０．８５６ ９ ＲＩ⁃ｓｔｄ ０．００５ ２ ０．０２８ ７ ０．００１ ５ ０ ０ ０．０１２ ４ Ｔ３ ＮＭＩ⁃ｍｅａｎ ０．６０３ ９ ０．６０９ ２ ０．３４２ ２ ０．６５１ １ ０．６１０ ４ ０．６１９ ８ ＮＭＩ⁃ｓｔｄ ０．０３５ ９ ０．０２４ ０ ０．０２４ １ ０ ５．７７×１０ －４ ０．００３ ２ ＲＩ⁃ｍｅａｎ ０．８５５ ３ ０．８６１ １ ０．７８４ ９ ０．８８７ ７ ０．８７２ ６ ０．８６４ ４ ＲＩ⁃ｓｔｄ ０．０１８ ５ ０．０２６ ８ ０．０２０ ４ ０ ２．３１×１０ －４ ０．０００ ８ Ｔ４ ＮＭＩ⁃ｍｅａｎ ０．４５５ ７ ０．４２６ １ ０．２４１ ３ ０．５４９ ７ ０．５５１ １ ０．６１４ ７ ＮＭＩ⁃ｓｔｄ ０．０１９ ７ ０．０１９ ３ ０．０１４ ３ ０ ０ ０．００１ １ ＲＩ⁃ｍｅａｎ ０．８１７ ８ ０．８０８ ２ ０．７８４ ８ ０．８４７ ２ ０．８４９ ６ ０．８７５ ７ ＲＩ⁃ｓｔｄ ０．００４ ４ ０．００７ ３ ０．００１ ３ ０ ０ ０．０００ ８ （ａ） ６ 种算法分别在数据集 Ｔ１ 上的图像分割结果 （ｂ） ６ 种算法分别在数据集 Ｔ２ 上的图像分割结果 ·１８４· 智 能 系 统 学 报 第 １２ 卷