|
|||||
|
|
| K-means聚类算法初始中心选择研究 | |
| 作者单位： | ;1.西安铁路职业技术学院;2.西北工业大学 |
| 摘 要： | 传统K-means聚类算法中聚类初始中心点是随机确定的,实际聚类数据集中可能有孤立点,造成了每次聚类的结果不同,聚类质量不同,有时陷入局部优化状态.针对这些问题,研究者曾试图用距离法解决孤立点的判断和确定初始聚类中心.这种思路存在不科学性.因为孤立点不仅指远离其他点,同时它的周围点稀疏;另外,当数据量过大、数据特征值过多时,算法的运算量大,需要占用大量的计算机资源,运算速度过慢.对传统的K-means聚类算法进行研究,提出了基于密度参数和距离理论的初始聚类中心的确定和孤立点的判断,对传统的K-means聚类算法进行改进. |
| 关 键 词： | K-means聚类算法 K个聚类中心 密度参数 K-means算法改进 |
Initial Center Selecting Using K-means Clustering Algorithm |
|
| Abstract: | |
| Keywords: | |
| 本文献已被 CNKI 等数据库收录！ | |
