|
|||||
|
|
| 基于相异性度量选取初始聚类中心改进的K-means聚类算法 | |
| 作者姓名： | 廖纪勇 吴晟 刘爱莲 |
| 作者单位： | 昆明理工大学信息工程与自动化学院,昆明650500 |
| 摘 要： | 选取合理的初始聚类中心是正确聚类的前提,针对现有的K-means算法随机选取聚类中心和无法处理离群点等问题,提出一种基于相异性度量选取初始聚类中心改进的K-means聚类算法.算法根据各数据对象之间的相异性构造相异性矩阵,定义了均值相异性和总体相异性两种度量准则;然后据此准则来确定初始聚类中心,并利用各簇中数据点的中位数代替均值以进行后续聚类中心的迭代,消除离群点对聚类准确率的影响.此外,所提出的算法每次运行结果保持一致,在初始化和处理离群点方面具有较好的鲁棒性.最后,在人工合成数据集和UCI数据集上进行实验,与3种经典聚类算法和两种优化初始聚类中心改进的K-means算法相比,所提出的算法具有较好的聚类性能. |
| 关 键 词： | 聚类分析 K-means算法 初始聚类中心 离群点 相异性度量 鲁棒性 |
| 本文献已被 万方数据 等数据库收录！ | |
| 点击此处可从《控制与决策》浏览原始摘要信息 | |
| 点击此处可从《控制与决策》下载全文 | |