基于邻域模型的K-means初始聚类中心选择算法

被引：5

作者：

曹付元 ^{[1
,2
]}

梁吉业 ^{[1
,2
]}

姜广 ^{[1
,2
]}

机构：

[1] 计算智能与中文信息处理省部共建教育部重点实验室

[2] 山西大学计算机与信息技术学院

来源：

计算机科学 | 2008年 / 11期

基金：

高等学校博士学科点专项科研基金;

关键词：

邻域模型; 初始聚类中心; K-means聚类; 粗糙集;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

传统的K-means算法由于其方法简单,在模式识别和机器学习中被广泛讨论和应用。但由于K-means算法随机选择初始聚类中心,而初始聚类中心的选择对最终的聚类结果有着直接的影响,因此算法不能保证得到一个唯一的聚类结果。利用邻域模型中对象邻域的上下近似,定义了对象邻域耦合度和分离度的概念,给出了对象在初始聚类中心选择中的重要性,提出了一种初始聚类中心的选择算法。另外,分析了邻域模型中三种范数对聚类精度的影响,并和随机选择初始聚类中心、CCIA选择初始聚类中心算法进行了比较,实验结果表明,该算法是有效的。

引用

页码：181 / 184

页数：4

共 9 条

[1] 一种基于动态近邻选择模型的聚类算法 [J].