1、聚類(lèi)分析是將數(shù)據(jù)劃分成多個(gè)簇（或類(lèi)）的過(guò)程。與有監(jiān)督的分類(lèi)技術(shù)相比，聚類(lèi)分析是無(wú)監(jiān)督學(xué)習(xí)，它是在沒(méi)有訓(xùn)練的情況下將數(shù)據(jù)對(duì)象劃分為若干個(gè)簇，數(shù)據(jù)對(duì)象屬于哪個(gè)簇以及分為幾個(gè)簇取決于數(shù)據(jù)本身。傳統(tǒng)的聚類(lèi)算法中，高效的k-means算法和EM算法得到了廣泛的應(yīng)用。然而，這兩種傳統(tǒng)聚類(lèi)算法只能發(fā)現(xiàn)凸球形的樣本空間，當(dāng)樣本空間不為凸球形時(shí)，算法將陷入局部最優(yōu)解。
　　譜聚類(lèi)算法近幾年受到了研究人員的廣泛的關(guān)注，它是數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)領(lǐng)域的又一

2、個(gè)研究熱點(diǎn)。與傳統(tǒng)的聚類(lèi)算法相比，譜聚類(lèi)算法能夠在任意形狀的樣本空間中發(fā)現(xiàn)正確聚類(lèi)，且最終收斂在全局最優(yōu)解。譜聚類(lèi)算法以譜圖理論為基礎(chǔ)，通過(guò)Laplacian矩陣將原數(shù)據(jù)空間進(jìn)行重構(gòu)，降低聚類(lèi)分析對(duì)象的維度，這使得數(shù)據(jù)在子空間上的分布結(jié)構(gòu)更為清楚。能得到優(yōu)秀聚類(lèi)結(jié)果的同時(shí)，譜聚類(lèi)算法也存在很多問(wèn)題，為了使算法應(yīng)用更廣泛，譜聚類(lèi)算法本身還有很多需要研究人員對(duì)其進(jìn)行優(yōu)化的地方。本文將對(duì)這些問(wèn)題做簡(jiǎn)要介紹。針對(duì)傳統(tǒng)譜聚類(lèi)算法對(duì)高斯核函數(shù)參數(shù)σ

3、敏感的問(wèn)題，受密度敏感相似性度量的啟發(fā)，本文設(shè)計(jì)了兩種相似性度量方法，這兩種相似性度量方法都沒(méi)有引入高斯核函數(shù)參數(shù)，兩種方法的主要區(qū)別在于第一種引入了最短路徑，而第二種沒(méi)有，實(shí)驗(yàn)證明第二種相似性度量綜合性能更佳，通過(guò)實(shí)驗(yàn)驗(yàn)證了其提高了整個(gè)算法的穩(wěn)定性。譜聚類(lèi)算法為配對(duì)算法，算法最后一階段是利用k-means（或其他傳統(tǒng)聚類(lèi)算法）對(duì)選擇的特征向量進(jìn)行聚類(lèi)，而k-means算法對(duì)初始聚類(lèi)中心敏感，因此本文同時(shí)還設(shè)計(jì)了一種簡(jiǎn)單卻很有效的優(yōu)化初