1使用高斯核函数式（1计算亲和度矩阵A，核函数矩阵K=A；
　　2计算规范Laplacian矩阵Lsym；
　　3计算式（11的Lg表达式；
　　4对Lsym+uLg进行特征分解，取前c个特征向量构建特征向量空间；
　　5在特征向量空间中使用Kmeans算法进行聚类，得到数据的类标签。
　　4实验
　　4.1数据集选择
　　实验选择11个UCI数据集，表1给出了这些数据集的特征信息。实验是在Inter酷睿双核CPU，内存2GB Windows7操作系统下的Matlab2011（a的环境下进行的。
　　表格（有表名
　　表1数据集的特征信息
　　数据集样本总数维数类别数数据集样本总数维数类别数
　　Wine178133USPS9002563
　　WDBC198322Yale165102415
　　SpHeart267442COIL201440102420
　　SMR208602Isolet390123413
　　Leaves1596410ORL100409610
　　Urbanland2691473
　　4.2参数设置
　　SCA算法中尺度参数σ的取值在0.0001到10000之间，通过多次实验选取聚类结果最好时的值；SEC算法和KSEC算法中的三个参数：σ、u和γg，根据理论推导过程，SEC算法中的γg设置为1，KSEC算法中的γg取值在0～1，两个算法中参数u的取值方法相同，都是通过实验选取聚类效果最好时的参数值。实验数据是在确定好算法中的各个参数值之后，每一个算法在所有数据集上分别实验100次，取其平均值后得出的。
　　4.3实验结果分析
　　表2给出了3种算法在数据集上的聚类正确率（Accuracy， ACC和归一化互信息指标（Normalized Mutual Information index， NMI[12]的实验数据，式（12和（13是它们的定义式。式中nr为正确分类的样本数目，nt为总的样本数目；I（E；M表示E和F之间的互信息，H（E=I（E；E为E的熵，nah为Pa中的类Ch包含的样本个数，nbl为Pb中的类Cl包含的样本个数，nh，l表示类Ch和类Cl同时包含的样本个数。
　　ACC=（nr/nt×100%（12
　　NMI（Pa，Pb=I（E；MH（EH（M=∑kah=1∑kbl=1nh，l lb（n×nh，lnah×nbl（∑kah=1nah lbnahn（∑kbl=1nbl lbnbln（13
　　从表2整体的数值分布来看，KSEC算法的聚类性能都是好于SCA算法和SEC算法的，在Wine、SMR、Leaves、Yale、USPS、Urbanland、Isolet和ORL这8个数据集上表现最为突出。从图2和图3中曲线的总体趋势来看，KSEC算法也表现出了很好的稳定性，而且在所有的数据集上它的聚类准确率曲线都处在其他曲线的上方，即算法的性能更好。
　　分析表2的NMI数据得出结论：本文提出的算法在该指标上均好于其他两种传统的谱聚类算法，这正体现出高维非线性数据经过核函数映射后的簇分配矩阵Kα是优于SEC框架中的Y=XTW+1nbT的，核化后的映射函数很好地弥补了线性映射函数只能处理线性可分数据的不足，使得非线性的数据也能够得到好的谱聚类效果。另外，实验过程中在统计表2的ACC指标数据时也发现KSEC算法在多次实验中表现出了良好的稳定性，在设置好参数后多次实验得到的聚类准确率值相差不大，它不像SEC算法一样在相同的参数配置下重复实验时会出现前后相差较大的结果。

---

期刊库（http://www.zgqkk.com），是一个专门从事期刊推广、投稿辅导的网站。
　　本站提供如何投稿辅导，寻求投稿辅导合作，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。

---

　　【免责声明】本文仅代表作者本人观点，与投稿辅导_期刊发表_中国期刊库专业期刊网站无关。投稿辅导_期刊发表_中国期刊库专业期刊网站站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。