.186 智能系统学报 第12卷 续表3 数据集 评价指标 MEC CombKM DRCC STC TSC KT-MEC NMI-mean 0.2910 0.5769 0.7278 NMI-std 0.0080 0.0189 T 0 RI-mean 0.7325 0.7347 一 0.9054 RI-std 0.0033 0.0476 一 一 0 NMI-mean 0.2038 0.5728 一 一 0.6914 NMI-std 0.0225 0.0329 一 T 1.11×10-6 RI-mean 0.7399 0.7941 0.9032 RI-std 0.0059 0.0160 0 5结束语 本文研究是基于迁移学习的聚类算法，实验部分 主要针对纹理图像的分割。本文算法对迁移聚类算 法的贡献主要有两方面：1)确定了聚类中心作为迁移 (a)6种算法分别在数据集T,上的图像分割结果 知识，实验证明了将聚类中心作为迁移知识能够更好 地增强目标域的聚类性能：2)找到了一个解决无论源 域与目标域的聚类数是否一致，都能够成功进行迁移 的通用策略。基于上述工作，结合传统的非迁移极大 嫡聚类算法，本文提出了基于知识迁移的极大嫡聚类 算法，并将该算法与其他迁移算法、非迁移算法、协同 (b)6种算法分别在数据集T。上的图像分割结果 聚类算法、多任务聚类算法等一系列相关算法进行了 性能对比，实验表明本文KT-MEC聚类算法的性能在 纹理图像分割上较其他算法具有更加优良的性能。 KT-MEC聚类算法不仅能够提高算法的聚类精度，增 强图像的分割效果，还能适应不同迁移场景下的聚类 任务，具有较强的鲁棒性。 (©)6种算法分别在数据集T上的图像分割结果 虽然本文KT-MEC聚类算法在纹理图像的分割 上具有较好的性能，但该算法的适应性上还需进行 进一步的研究。随着数据的爆炸式增长，数据复杂 性的迅速增加，KT-MEC聚类算法是否能够适用于 高维复杂数据还有待研究。 参考文献： ()6种算法分别在数据集了，上的图像分割结果 图6源域与目标域聚类数不同的含噪纹理图像分割结果 [1]ZHU Lin,CHUNG F L.WANG Shitong.Generalized fuzzy Fig.6 Segmentation results of clustering algorithms for c-means clustering algorithm with improved fuzzy partitions noisy texture images with the different number [J].IEEE transactions on systems,man,and cybernetics, of clusters between source domain and target do- part B (cybernetics),2009,39(3):578-591. main [2]KIM S,YOO C D,NOWOZIN S,et al.Image segmentation 上述实验结果表明本文提出的KT-MEC聚类算 usinghigher-order correlation clustering[J].IEEE transac- 法在不同的迁移场景中的聚类性能均优于现有的相 tions on pattern analysis and machine intelligence,2014,36 (9):1761-1774 关聚类算法。特别是，KT-MEC聚类算法适用于一 [3]JIANG Yizhang,CHUNG F L,WANG Shitong,et al.Col- 般的迁移场景，即无论是源域和目标域的聚类的数 laborative fuzzy clustering from multiple weighted views[J]. 目是相同或不同时，本文KT-MEC算法均能适用且 IEEE transactions on cybernetics,2015,45(4):688-701. 能获得比其他聚类算法更好的聚类结果。 [4]BEZDEK J C.Pattern recognition with fuzzy objective func- tion algorithms M].USA:Springer Science Business续表 ３ 数据集 评价指标 ＭＥＣ ＣｏｍｂＫＭ ＤＲＣＣ ＳＴＣ ＴＳＣ ＫＴ⁃ＭＥＣ Ｔ７ ＮＭＩ⁃ｍｅａｎ ０．２９１ ０ ０．５７６ ９ — — — ０．７２７８ ＮＭＩ⁃ｓｔｄ ０．００８ ０ ０．０１８ ９ — — — ０ ＲＩ⁃ｍｅａｎ ０．７３２ ５ ０．７３４ ７ — — — ０．９０５ ４ ＲＩ⁃ｓｔｄ ０．００３ ３ ０．０４７ ６ — — — ０ Ｔ８ ＮＭＩ⁃ｍｅａｎ ０．２０３ ８ ０．５７２ ８ — — — ０．６９１ ４ ＮＭＩ⁃ｓｔｄ ０．０２２ ５ ０．０３２ ９ — — — １．１１×１０ －１６ ＲＩ⁃ｍｅａｎ ０．７３９ ９ ０．７９４ １ — — — ０．９０３ ２ ＲＩ⁃ｓｔｄ ０．００５ ９ ０．０１６ ０ — — — ０ （ａ） ６ 种算法分别在数据集 Ｔ５ 上的图像分割结果 （ｂ） ６ 种算法分别在数据集 Ｔ６ 上的图像分割结果 （ｃ） ６ 种算法分别在数据集 Ｔ７ 上的图像分割结果 （ｄ） ６ 种算法分别在数据集 Ｔ８ 上的图像分割结果 图 ６ 源域与目标域聚类数不同的含噪纹理图像分割结果 Ｆｉｇ．６ Ｓｅｇｍｅｎｔａｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ｎｏｉｓｙ ｔｅｘｔｕｒｅ ｉｍａｇｅｓ ｗｉｔｈ ｔｈｅ ｄｉｆｆｅｒｅｎｔ ｎｕｍｂｅｒ ｏｆ ｃｌｕｓｔｅｒｓ ｂｅｔｗｅｅｎ ｓｏｕｒｃｅ ｄｏｍａｉｎ ａｎｄ ｔａｒｇｅｔ ｄｏ⁃ ｍａｉｎ 上述实验结果表明本文提出的 ＫＴ⁃ＭＥＣ 聚类算 法在不同的迁移场景中的聚类性能均优于现有的相 关聚类算法。 特别是，ＫＴ⁃ＭＥＣ 聚类算法适用于一 般的迁移场景，即无论是源域和目标域的聚类的数 目是相同或不同时，本文 ＫＴ⁃ＭＥＣ 算法均能适用且 能获得比其他聚类算法更好的聚类结果。 ５ 结束语 本文研究是基于迁移学习的聚类算法，实验部分 主要针对纹理图像的分割。 本文算法对迁移聚类算 法的贡献主要有两方面：１）确定了聚类中心作为迁移 知识，实验证明了将聚类中心作为迁移知识能够更好 地增强目标域的聚类性能；２）找到了一个解决无论源 域与目标域的聚类数是否一致，都能够成功进行迁移 的通用策略。 基于上述工作，结合传统的非迁移极大 熵聚类算法，本文提出了基于知识迁移的极大熵聚类 算法，并将该算法与其他迁移算法、非迁移算法、协同 聚类算法、多任务聚类算法等一系列相关算法进行了 性能对比，实验表明本文 ＫＴ⁃ＭＥＣ 聚类算法的性能在 纹理图像分割上较其他算法具有更加优良的性能。 ＫＴ⁃ＭＥＣ 聚类算法不仅能够提高算法的聚类精度，增 强图像的分割效果，还能适应不同迁移场景下的聚类 任务，具有较强的鲁棒性。 虽然本文 ＫＴ⁃ＭＥＣ 聚类算法在纹理图像的分割 上具有较好的性能，但该算法的适应性上还需进行 进一步的研究。 随着数据的爆炸式增长，数据复杂 性的迅速增加，ＫＴ⁃ＭＥＣ 聚类算法是否能够适用于 高维复杂数据还有待研究。 参考文献： ［１］ＺＨＵ Ｌｉｎ， ＣＨＵＮＧ Ｆ Ｌ， ＷＡＮＧ Ｓｈｉｔｏｎｇ． Ｇｅｎｅｒａｌｉｚｅｄ ｆｕｚｚｙ ｃ⁃ｍｅａｎｓ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ ｗｉｔｈ ｉｍｐｒｏｖｅｄ ｆｕｚｚｙ ｐａｒｔｉｔｉｏｎｓ ［Ｊ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｓｙｓｔｅｍｓ， ｍａｎ， ａｎｄ ｃｙｂｅｒｎｅｔｉｃｓ， ｐａｒｔ Ｂ （ｃｙｂｅｒｎｅｔｉｃｓ）， ２００９， ３９（３）： ５７８－５９１． ［２］ＫＩＭ Ｓ， ＹＯＯ Ｃ Ｄ， ＮＯＷＯＺＩＮ Ｓ， ｅｔ ａｌ． Ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｕｓｉｎｇｈｉｇｈｅｒ⁃ｏｒｄｅｒ ｃｏｒｒｅｌａｔｉｏｎ ｃｌｕｓｔｅｒｉｎｇ ［ Ｊ］． ＩＥＥＥ ｔｒａｎｓａｃ⁃ ｔｉｏｎｓ ｏｎ ｐａｔｔｅｒｎ ａｎａｌｙｓｉｓ ａｎｄ ｍａｃｈｉｎｅ ｉｎｔｅｌｌｉｇｅｎｃｅ， ２０１４， ３６ （９）： １７６１－１７７４． ［３］ＪＩＡＮＧ Ｙｉｚｈａｎｇ， ＣＨＵＮＧ Ｆ Ｌ， ＷＡＮＧ Ｓｈｉｔｏｎｇ， ｅｔ ａｌ． Ｃｏｌ⁃ ｌａｂｏｒａｔｉｖｅ ｆｕｚｚｙ ｃｌｕｓｔｅｒｉｎｇ ｆｒｏｍ ｍｕｌｔｉｐｌｅ ｗｅｉｇｈｔｅｄ ｖｉｅｗｓ［ Ｊ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｃｙｂｅｒｎｅｔｉｃｓ， ２０１５， ４５（４）： ６８８－７０１． ［４］ＢＥＺＤＥＫ Ｊ Ｃ． Ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ ｗｉｔｈ ｆｕｚｚｙ ｏｂｊｅｃｔｉｖｅ ｆｕｎｃ⁃ ｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ ［ Ｍ］． ＵＳＡ： Ｓｐｒｉｎｇｅｒ Ｓｃｉｅｎｃｅ ＆ Ｂｕｓｉｎｅｓｓ ·１８６· 智 能 系 统 学 报 第 １２ 卷