空间密度相似性度量K-means算法

被引：8

作者：

薛卫

杨荣丽

赵南

徐焕良

任守纲

机构：

[1] 南京农业大学信息科学技术学院

来源：

小型微型计算机系统 | 2018年 / 39卷 / 01期

关键词：

K-means; 非簇型; 初始聚类中心; 相似性度量;

D O I：

暂无

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

传统K-means算法的缺陷有初始聚类中心选择的不稳定、聚类效果对初始聚类中心过于依赖、非簇型数据集分类效果不佳等问题.为克服以上不足,本文提出空间密度相似性度量K-means算法.该算法采用可伸缩空间密度的相似性距离度量数据点间的相似度,并将密度和距离共同作为选择新初始聚类中心的相关因子,以及根据类内距离进行迭代的一种新的类中心迭代模型.在非簇型人工数据集和UCI标准数据集上的实验证明,与传统及其他改进K-means算法相比,本文提出的算法可得到更加合理的初始聚类中心,能反映任意形状的复杂数据集分布规律,算法更加稳定、准确.

引用

页码：53 / 57

页数：5

共 8 条

[1] 基于改进人工蜂群算法的K均值聚类算法 [J].