WikiEdge:ArXiv速遞/2025-03-28

摘要

• 原文標題：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses
• 中文標題：神經網絡聚類、層次聚類與K均值聚類的比較：基於流體透鏡的應用
• 發佈日期：2025-03-28 14:01:12+00:00
• 作者：Graciana Puentes
• 分類：physics.optics, cs.LG
• 原文連結：http://arxiv.org/abs/2503.22448v1

中文摘要：本研究對神經網絡聚類(NNC)、層次聚類(HC)和K均值聚類(KMC)進行了比較，以評估這三種機器學習(ML)技術在將大型數據集組織成簇時的計算優勢。針對NNC方法，我們對一組波前傳感器重建數據（分解為15項澤尼克係數，用於表徵流體透鏡傳輸的相位前光學像差）應用了自組織映射(SOM)訓練。通過分析SOM相鄰權重距離、SOM樣本命中、SOM權重位置和SOM權重平面，形成了對系統結構特性的可視化解釋。在HC方法中，採用聯合相異度-連接矩陣計算進行數據劃分，該方法有效性通過較高的共表型相關係數值(c=0.9651)得以驗證。通過設定0.8的不一致性截斷值，最終確定7個簇作為系統分割的最大數量。此外，採用KMC方法建立聚類分割效率的量化指標，在K=5個非重疊簇的數據分割中獲得了0.905的平均輪廓係數值。研究表明，HC的聯合連接與相異度算法結合KMC形成的聚類方案，比單獨使用NNC或HC評估更為可靠——後者若改變SOM尺寸或不一致性截斷值可能導致全新的聚類構型。