一种基于粒子群的聚类算法

被引：13

作者：

姚丽娟

罗可

孟颖

机构：

[1] 长沙理工大学计算机与通信工程学院

来源：

计算机工程与应用 | 2012年 / 13期

关键词：

粒子群算法; K-中心点算法; 密度初始化; 聚类;

D O I：

暂无

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

针对K-中心点算法对初始化敏感和容易陷入局部极值的缺点,提出一种基于粒子群算法和密度初始化改进的K-中心点聚类算法。该算法初始化时选择距离较远的k个候选范围作为k个聚类中心的选择范围,即粒子的初始值都在该k个范围内。通过粒子群算法优化聚类中心,以解决K-中心点算法因为聚类中心迭代计算较为复杂而导致的时间复杂度较高的问题。实验结果表明,该算法具有较高的正确率,较小的时间复杂度,综合性能更加稳定。

引用

收藏

页码：150 / 153+175 +175

页数：5

相关论文

共 10 条

[1] 改进PSO算法的性能分析与研究 [J].

雷秀娟 ;

付阿利 ;

孙晶晶 .

计算机应用研究, 2010, 27 (02) :453-458

[2] 基于核的自适应K-Medoid聚类 [J].

孙胜 ;

王元珍 .

计算机工程与设计, 2009, 30 (03) :674-675+688

[3] k中心点聚类算法在层次数据的应用 [J].

刘金岭 .

计算机工程与设计, 2008, 29 (24) :6418-6419+6422

[4] 基于初始中心优化的遗传K-means聚类新算法 [J].

孙秀娟 ;

刘希玉 .

计算机工程与应用 , 2008, (23) :166-168+182

[5] 一种自适应惯性权重的并行粒子群聚类算法 [J].

廖子贞 ;

罗可 ;

周飞红 ;

傅平 .

计算机工程与应用, 2007, (28) :166-168

[6] 基于k-中心点法的改进粒子群算法在旅行商问题中的应用 [J].

张旭梅 ;

邱晗光 .

计算机集成制造系统, 2007, (01) :99-104

[7]

数据挖掘[M]. 机械工业出版社 , (加)JiaweiHan, 2001

[8] Smaller coresets for k-median and k-means clustering [J].

Har-Peled, Sariel ;

Kushal, Akash .

DISCRETE & COMPUTATIONAL GEOMETRY, 2007, 37 (01) :3-19

[9] A k-Median Algorithm with Running Time Independent of Data Size [J].

Adam Meyerson ;

Liadan O'Callaghan ;

Serge Plotkin .

Machine Learning, 2004, 56 :61-87

[10]

Optimal Time Bounds for Approximate Clustering[J] . Ramgopal R. Mettu,C. Greg Plaxton.Machine Learning . 2004 (1)