初始中心优化的K—Means聚类算法 |
| |
引用本文: | 李飞,薛彬,黄亚楼.初始中心优化的K—Means聚类算法[J].计算机科学,2002,29(7):94-96. |
| |
作者姓名: | 李飞 薛彬 黄亚楼 |
| |
作者单位: | 南开大学计算机科学与技术系,天津,300071 |
| |
基金项目: | 天津市自然科学基金(003600311) |
| |
摘 要: | 1.引言聚类分析(clustering)是人工智能研究的重要领域。聚类方法被广泛研究并应用于机器学习、统计分析、模式识别以及数据库数据挖掘与知识发现等不同的领域。各种聚类方法中,基于目标函数的K-Means聚类方法应用极为广泛,根据聚类结果的表达方式又可分为硬K-Means(HCM)算法、模糊K-Means算法(FCM)和概率K-Means算法(PCM)。各种K-Means算法都以确定的目标函数来测度聚类的效果,最佳的聚类效果对应于目标函数的极值点。由于目标函数局部极小值点的存在以及算法的贪心性,导致聚类结果对初始中心敏感,往往达不到全局最优。
|
关 键 词: | 遗传算法 随机全局优化搜索算法 K—Means聚类算法 初始聚类中心 优化 |
K-Means Clustering Algorithm with Refined Initial Center |
| |
Abstract: | |
| |
Keywords: | |
本文献已被 CNKI 维普 万方数据 等数据库收录! |
|
点击此处可从《计算机科学》下载全文 |
|