德克·克劳斯（Dirk P.Kroese）。;鲁文·鲁宾斯坦。;托马斯·泰姆雷 交叉熵方法在聚类和矢量量化中的应用。 （英语） Zbl 1127.94301号 J.全球。优化。 37，第1期，137-157（2007）. 摘要：我们将交叉熵（CE）方法应用于聚类和矢量量化问题。聚类的CE算法包括以下迭代步骤：（a）根据指定的参数概率分布生成随机聚类，（b）根据Kullback-Leibler交叉熵更新该分布的参数。通过各种数值实验，我们证明了CE算法的高精度，并表明它可以为相当大的数据集生成接近最优的聚类。我们将CE方法与著名的聚类和矢量量化方法（如K均值、模糊K均值和线性矢量量化）进行了比较，并将每种方法应用于基准和图像分析数据。 引用于5文件 MSC公司： 94A08型 信息与通信理论中的图像处理（压缩、重建等） 90立方 非线性规划 62H30型 分类和歧视；聚类分析（统计方面） 68吨10 模式识别、语音识别 关键词：交叉变换法;群集;矢量量化;模拟;全局优化 软件：TSPLIB公司;J平均值;禁忌搜索;SIPI图像数据库;群集查找 PDF格式BibTeX公司 XML格式引用 \textit{D.P.Kroese}等人，J.Glob。最佳方案。37，第1号，137--157（2007；Zbl 1127.94301） 全文： 内政部 参考文献： [1] USC-SIPI图像数据库：http://sipi.usc.edu/services/database/database.html [2] TSPLIB：旅行推销员问题库。http://www.iwr.uni-heidelberg.de/groups/comopt/software/TSPLIB95/ ·Zbl 0775.90293号 [3] Ahalt S.C.、Krishnamurthy A.K.、Chen P.、Melton D.E.（1990）矢量量化的竞争学习算法。神经网络。3, 277–290 ·doi:10.1016/0893-6080（90）90071-R [4] Betke，M.，Makris，N.：使用模拟退火在噪声图像中快速识别物体。摘自：《第五届计算机视觉国际会议论文集》，第523–530页（1995年） [5] Bezdek J.（1981）《模糊目标函数算法的模式识别》。纽约Plenum出版社·Zbl 0503.68069号 [6] Botev，Z.，Kroese，D.P.通过交叉熵方法进行全局似然优化，并应用于混合模型。Ingalls，R.G.，Rossetti，M.D.，Smith，J.S.，Peters，B.A.（编辑）2004年冬季模拟会议论文集，IEEE，华盛顿特区，2004年12月 [7] Brown，L.图像配准技术综述。哥伦比亚大学计算机科学系技术报告（1992年） [8] Chen J.，Kundu A.（1995）使用多通道分解和隐马尔可夫模型的无监督纹理分割。IEEE传输。图像处理。4, 603–619 ·数字对象标识代码：10.1109/83.382495 [9] de Boer，P.T.、Kroese，D.P.、Mannor，S.、Rubinstein，R.Y.交叉熵方法教程。安·奥珀。研究第134卷，第19-67页。Springer-Verlag（2005）·Zbl 1075.90066号 [10] Dorigo，M.，Di Caro，G.蚁群优化元神经。摘自：Corne，D.，Dorigo，M.，Glover，F.（编辑）《优化的新理念》，第11-32页。McGraw-Hill（1999） [11] Duda R.O.，Hart P.E.，Stork D.G.（2001）模式分类。纽约威利 [12] Geman S.，Geman D.（1984）图像的随机松弛、吉布斯分布和贝叶斯恢复。IEEE传输。PAMI 6721–741·Zbl 0573.62030号 [13] Glover F.，Laguna M.L.（1993）组合优化的现代启发式技术，第3章：禁忌搜索。牛津大学布莱克威尔科学出版社 [14] Goldberg D.（1989）搜索、优化和机器学习中的遗传算法。Addison Wesley，马萨诸塞州雷丁·兹比尔0721.68056 [15] Hansen P.，MladenovićN.（2001）J-means:最小平方和聚类的一种新的局部搜索启发式算法。模式识别。34, 405–413 ·Zbl 1012.68873号 ·doi:10.1016/S0031-3203（99）00216-2 [16] Hansen P.、MladenovićN.、Perez Brito D.（2001年）。可变邻域分解搜索。启发式杂志7335–350·Zbl 1041.68623号 ·doi:10.1023/A:1011336210885 [17] Jain A.K.、Murty M.N.、Flynn P.J.（1999）《数据聚类：综述》。ACM计算。Surv公司。31, 264–323 ·数字对象标识代码：10.1145/331499.331504 [18] Kaufman L.、Rousseeuw P.（1990）《数据中的发现群体》和《聚类分析导论》。纽约威利·Zbl 1345.62009号 [19] Keith，J.，Kroese，D.P.通过罕见事件模拟进行序列比对。参见：《2002年冬季模拟会议记录》，第320–327页。圣地亚哥（2002） [20] McLachlan G.，Krishnan T.（1997）EM算法和扩展。纽约威利·Zbl 0882.62012号 [21] Rubinstein R.Y.（1999）组合和连续优化的交叉熵方法。Methodol公司。申请。探针。2, 127–190 ·Zbl 0941.65061号 ·doi:10.1023/A:101091220143 [22] Rubinstein R.Y.，Kroese D.P.（2004）《交叉熵方法：组合优化、蒙特卡罗模拟和机器学习的统一方法》。纽约施普林格-弗拉格·Zbl 1140.90005号 [23] Salomon D.（2000）《数据压缩：完整参考》。纽约施普林格-弗拉格·Zbl 0960.68040号 [24] Sherali H.D.，Desai J.（2005）解决硬聚类问题的基于rlt的全局优化方法。J全球优化。32, 281–306 ·Zbl 1123.62045号 ·doi:10.1007/s10898-004-2706-7 [25] Shi L.，Olafsson S.（2000）用于全局优化的嵌套划分方法。操作。第48（3）号决议：390–407·Zbl 1106.90368号 ·doi:10.1287/opre.48.390.12436 [26] Spall J.C.（2003）《随机搜索与优化导论》。约翰·威利，纽约·邮编1088.90002 [27] Stork D.G.、Yom-Tov E.（2004）《伴奏模式分类计算机手册》。纽约威利·Zbl 1120.68440号 [28] Webb A.（1999）统计模式识别。阿诺德，伦敦·Zbl 0968.68540号 [29] 杨明生，吴国良（2006）非监督可能性聚类。模式识别。39，5–21·doi:10.1016/j.patcog.2005.07.005 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。