本文關(guān)鍵詞：基于密度的劃分式聚類過程參數(shù)選擇算法

  更多相關(guān)文章： 聚類算法 聚類中心 樣本密度 關(guān)系樹 最大最小距離

【摘要】：為確定-means等聚類算法的初始聚類中心,首先由樣本總量及其取值區(qū)間長度確定對應(yīng)維上的樣本密度統(tǒng)計區(qū)間數(shù),并將滿足篩選條件的密度峰值所在區(qū)間內(nèi)的樣本均值作為候選初始聚類中心;然后,根據(jù)密度峰值區(qū)間在各維上的映射關(guān)系建立候選初始聚類中心關(guān)系樹,進一步采用最大最小距離算法獲得初始聚類中心;最后為確定最佳聚類數(shù),基于類內(nèi)樣本密度及類密度建立聚類有效性評估函數(shù).針對人工數(shù)據(jù)集及UCI數(shù)據(jù)集的實驗結(jié)果表明了所提出算法的有效性.
【作者單位】： 中國人民解放軍軍械工程學(xué)院信息工程系;
【基金】：國家自然科學(xué)基金項目(61173191) 軍內(nèi)科研項目(YJJXM12033)
【分類號】：TP311.13
【正文快照】： 0引言聚類是數(shù)據(jù)分析領(lǐng)域最為重要的數(shù)據(jù)分析方法之一,到目前為止,尚無一種聚類算法可以普遍用于揭示各種多維數(shù)據(jù)的結(jié)構(gòu)[1].傳統(tǒng)聚類方法主要有:基于劃分的聚類[2]、基于層次的聚類[3]、基于網(wǎng)格的聚類[4]、基于密度的聚類[5].基于劃分的聚類方法由于具有較低的實現(xiàn)復(fù)雜度,是

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 劉一鳴;張化祥;;可變閾值的K-Means初始中心選擇方法[J];計算機工程與應(yīng)用;2011年32期

【共引文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 鄭丹;王潛平;;K-means初始聚類中心的選擇算法[J];計算機應(yīng)用;2012年08期

2 何云斌;肖宇鵬;萬靜;李松;;基于密度期望和有效性指標的K-均值算法[J];計算機工程與應(yīng)用;2013年24期

3 陳亞峰;;一種新的K-均值動態(tài)聚類算法[J];濟源職業(yè)技術(shù)學(xué)院學(xué)報;2014年04期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 孫鵬;特大城市對外客運通道系統(tǒng)配置分析[D];西南交通大學(xué);2012年

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 李瑋;薛惠鋒;詹海亮;;基于劃分采樣的初始聚類中心算法[J];太原理工大學(xué)學(xué)報;2011年04期

2 孟子健;馬江洪;;一種可選初始聚類中心的改進k均值算法[J];統(tǒng)計與決策;2014年12期

3 顧洪博;張繼懷;;聚類算法初始聚類中心的優(yōu)化[J];西安工程大學(xué)學(xué)報;2010年02期

4 沈國珍;;依賴數(shù)據(jù)密度的K均值初始化調(diào)優(yōu)[J];計算機工程與應(yīng)用;2014年11期

5 王漢芝;劉振全;;一種新的確定K-均值算法初始聚類中心的方法[J];天津科技大學(xué)學(xué)報;2005年04期

6 劉峰,孫超,李斌;一種改進的C均值法初始類劃分方法[J];計算機工程與設(shè)計;2005年02期

7 謝娟英;郭文娟;謝維信;高新波;;基于樣本空間分布密度的初始聚類中心優(yōu)化K-均值算法[J];計算機應(yīng)用研究;2012年03期

8 蘇錦旗;薛惠鋒;詹海亮;;基于劃分的K-均值初始聚類中心優(yōu)化算法[J];微電子學(xué)與計算機;2009年01期

9 張文君;顧行發(fā);陳良富;余濤;許華;;基于均值-標準差的K均值初始聚類中心選取算法[J];遙感學(xué)報;2006年05期

10 王賽芳;戴芳;王萬斌;張曉宇;;基于初始聚類中心優(yōu)化的K-均值算法[J];計算機工程與科學(xué);2010年10期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 張永晶;初始聚類中心優(yōu)化的K-means改進算法[D];東北師范大學(xué);2013年

，

本文編號：1297143