WikiEdge:ArXiv速递/2025-03-28

摘要

• 原文标题：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses
• 中文标题：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用
• 发布日期：2025-03-28 14:01:12+00:00
• 作者：Graciana Puentes
• 分类：physics.optics, cs.LG
• 原文链接：http://arxiv.org/abs/2503.22448v1

中文摘要：本研究对神经网络聚类(NNC)、层次聚类(HC)和K均值聚类(KMC)进行了比较，以评估这三种机器学习(ML)技术在将大型数据集组织成簇时的计算优势。针对NNC方法，我们对一组波前传感器重建数据（分解为15项泽尼克系数，用于表征流体透镜传输的相位前光学像差）应用了自组织映射(SOM)训练。通过分析SOM相邻权重距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对系统结构特性的可视化解释。在HC方法中，采用联合相异度-连接矩阵计算进行数据划分，该方法有效性通过较高的共表型相关系数值(c=0.9651)得以验证。通过设定0.8的不一致性截断值，最终确定7个簇作为系统分割的最大数量。此外，采用KMC方法建立聚类分割效率的量化指标，在K=5个非重叠簇的数据分割中获得了0.905的平均轮廓系数值。研究表明，HC的联合连接与相异度算法结合KMC形成的聚类方案，比单独使用NNC或HC评估更为可靠——后者若改变SOM尺寸或不一致性截断值可能导致全新的聚类构型。