一种新的密度加权粗糙K-均值聚类算法

被引：12

作者：

谢娟英 ^{[1
,2
]}

张琰 ^{[1
]}

谢维信 ^{[2
,3
]}

高新波 ^{[2
]}

机构：

[1] 陕西师范大学计算机科学学院

[2] 西安电子科技大学电子工程学院

[3] 深圳大学信息工程学院

来源：

山东大学学报(理学版) | 2010年 / 45卷 / 07期

关键词：

聚类算法; 粗糙K-均值; 聚类中心; 加权; 密度;

D O I：

暂无

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

为了克服粗糙K-均值聚类算法初始聚类中心点随机选取,以及样本密度函数定义所存在的缺陷,基于数据对象所在区域的样本点密集程度,定义了新的样本密度函数,选择相互距离最远的K个高密度样本点作为初始聚类中心,克服了现有粗糙K-均值聚类算法的初始中心随机选取的缺点,从而使得聚类结果更接近于全局最优解。同时在类均值计算中,对每个样本根据定义的密度赋以不同的权重,得到不受噪音点影响的更合理的质心。利用UC I机器学习数据库的6组数据集,以及随机生成的带有噪音点的人工模拟数据集进行测试,证明本文算法具有更好的聚类效果,而且对噪音数据有很强的抗干扰性能。

引用

页码：1 / 6

页数：6

共 8 条

[1]

A simple and fast algorithm for K-medoids clustering. Hae-Sang Park,Chi-Hyuck Jun. Expert Systems With Applications . 2009

[2]

Rough Overlapping Biclustering of Gene Expression Data. Wang Ruizhi,,Miao Duoqian,Li Gang,et al. Proceedings of the7th IEEE International Conference on Bioinformatics and Bioengi-neering . 2007

[3] ROUGH SETS [J].