(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210850034.4 (22)申请日 2022.07.20 (71)申请人 西安电子科技大 学杭州研究院 地址 311231 浙江省杭州市萧 山区钱农东 路8号 (72)发明人 孙建国　黄晏瑜　胡瑞敏　曾丽娜　 (74)专利代理 机构 杭州浙科专利事务所(普通 合伙) 33213 专利代理师 孙孟辉 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/774(2022.01) (54)发明名称 一种基于分离度的小样本半监 督聚类方法 (57)摘要 本发明属于计算机仿真与方法优化技术领 域， 公开了一种基于分离度的小样 本半监督聚类 方法， 包括如下步骤： 步骤1： 聚类中心 计算； 步骤 2： 分离度计算； 步骤3： 非目标聚类中心确定； 步 骤4： 参数计算； 步骤5： 类中心迁移； 步骤6： 迭代 计算； 步骤7： 目标分离。 本发明针对传统无监督 聚类和半监督聚类在目标分类、 鉴别性能不佳的 问题， 发明了一种基于目标分离度的小样本半监 督聚类方法， 设定目标与非目标的分离度， 并基 于已知小样 本在分离度的基础上进行迭代运算， 实现了相似度较高的目标于非目标的精确分离， 本发明采用了新型的算法框架提高了目标分类、 鉴别的精确性。 权利要求书2页 说明书7页 附图7页 CN 115311482 A 2022.11.08 CN 115311482 A 1.一种基于分离度的小样本半监 督聚类方法， 其特 征在于， 包括如下步骤： 步骤1： 聚类中心计算： 采用NC M算法进行聚类中心计算； 步骤2： 分离度计算： 在NCM聚类计算过程中调整两个类别的聚类 中心， 增强目标与非目 标的可分离性； 步骤3： 非目标聚类 中心确定： 根据步骤1初步计算样本聚类 中心， 并在潜在目标中计算 特征与样本聚类中心的分离度， 将分离度最大的特 征作为初始非目标聚类中心； 步骤4： 参数计算： 计算[T,I,F]元组的值， 并更新目标与非目标的聚类中心； 步骤5： 类 中心迁移： 在参数迭代的过程中， 将潜在目标 聚类中心像样本聚类 中心迁移， 将远离样本中心的潜在目标作为非目标； 步骤6： 迭代计算： 对于步骤3 到步骤5进行迭代计算； 步骤7： 目标分离： 根据样本 中心， 确定潜在目标是属于目标集群的确定度， 与不属于目 标集群的确定都F的比值 来最终判定潜在目标 是否为目标。 2.根据权利要求1所述的基于分离度的小样本半监督 聚类方法， 其特征在于， 所述步骤 1包括如下 具体步骤： NCM使用一个元组[T,I,F]来描述成员值， 其中T是属于一个集群的对象的确定度， F是 不属于集群的对象的确定度， I是一个对象到边界集群的不确定度， NCM算法的目标函数表 达式为： 其中， C＝{cj,j＝1,2, …,K}是集群的集合， cj是集群j的中心， di,Kj表示从对象xi到所考 虑的K簇中心的距离， ωi是加权系数， δ是检测非目标的给定距离， 只选择最近的两个确定 性聚类来 考虑最大 隶属度值， 简化 为： 其中， 是从对象xi到两个簇中心的距离， 这两个簇是距离中心最近的和第二近的 簇， 上式满足： 对象xi的成员元组[Tij,Ii,Fi]在迭代中更新并使得JNCM最小化， 当成员值达到收敛时， 迭代将中断， 其中， [T,I,F]三个成员值按如下 方式迭代更新： 权　利　要　求　书 1/2 页 2 CN 115311482 A 23.根据权利要求1所述的基于分离度的小样本半监督 聚类方法， 其特征在于， 所述步骤 2包括如下 具体步骤： 设目标X与非目标Y的分离度Sxy， 在NCM聚类计算过程中调整两个类别的聚类中心， 增强 目标与非目标的可分离性， 分离度Sxy为： 其中， dxy为类X和类Y的类间方差； D(x)和D(y)为类内方差 。 4.根据权利要求1所述的基于分离度的小样本半监督 聚类方法， 其特征在于， 所述步骤 4包括如下 具体步骤： 计算[T,I,F]元组的值， 并更新目标与非目标的聚类中心 5.根据权利要求1所述的基于分离度的小样本半监督 聚类方法， 其特征在于， 所述步骤 5包括如下 具体步骤： 在参数迭代 的过程中， 将潜在目标聚类中心像样本聚类中心迁移， 将远离样本中心 的 潜在目标作为 非目标， 其中， 潜在目标与样本聚类中心的直接的距离通过分离度来计算， 在 类中心迁移过程中不计算离 散点， 并将其对应的潜在目标区域认定为非目标。 6.根据权利要求1所述的基于分离度的小样本半监督 聚类方法， 其特征在于， 所述步骤 6包括如下 具体步骤： 对于步骤3到步骤5进行迭代计算， 当[T,I,F]满足下式要求式， 判定达到达到收敛点， 迭代停止， 7.根据权利要求6所述的基于分离度的小样本半监督 聚类方法， 其特征在于， 所述步骤 6在迭代过程中， 引入一个 新的变量fdp作为离散 点判断的基础， 并迭代过程中计算 出消除离 散点后新对象集的聚类中心， 此时， 目标函数表达式和约束条件可以表示 为： 权　利　要　求　书 2/2 页 3 CN 115311482 A 3