.png){kind=icon}
返回
Information-theoretic adaptive clustering for robust multi-structure model fitting
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-026-06563-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，基于密度的聚类算法在模型拟合领域日益受到关注。然而，这些算法的一个关键局限在于其依赖固定阈值（MinPts），这往往缺乏对数据特征的适应性。当输入数据严重被离群点污染时，确定合适的聚类阈值变得具有挑战性，导致模型拟合结果不理想。为解决这些挑战，我们提出了一种新颖的信息论自适应聚类拟合（IACF）方法，以实现准确且高效的模型拟合。首先，我们通过整合运动和偏好信息构建可靠邻域图，有效修剪无效边并保留潜在局部内点结构。其次，我们提出一种基于熵的自适应策略，量化局部邻域的混乱程度，动态确定每个数据集的最优聚类阈值（MinPts*），无需先验知识。在此基础上，我们开发了熵自适应密度基优势集聚类（EADSC）算法，以自主检测与模型实例相关的子图，并准确分割内点与离群点。在多个具有挑战性的数据集上的实验评估表明，所提出的IACF方法在拟合精度和计算效率方面均优于多种当前最先进的拟合方法。
Keyword:
Density-clustering algorithm
Multi-structure model fitting
Information entropy
Adaptive threshold
Model selection
期刊
C
IF:
4.1
论文数:
5.1K
被引数:
7.5K
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏
查看更多内容