【摘要】：針對K-均值聚類算法對初始聚類中心存在依賴性的缺陷,提出一種基于數(shù)據(jù)空間分布選取初始聚類中心的改進算法.該算法首先定義樣本距離、樣本平均差異度和樣本集總體平均差異度;然后將每個樣本按平均差異度排序,選擇平均差異度較大且與已選聚類中心的差異度大于樣本集總體平均差異度的樣本作為初始聚類中心.實驗表明,改進后的算法不僅提高了聚類結(jié)果的穩(wěn)定性和正確率,而且迭代次數(shù)明顯減少,收斂速度快.
[Abstract]:In order to solve the problem that K-means clustering algorithm depends on initial clustering center, an improved algorithm for selecting initial clustering center based on data spatial distribution is proposed. The algorithm first defines the sample distance, the average difference degree of the sample set and the overall average difference degree of the sample set, and then sorts each sample according to the average difference degree, and selects the sample whose average difference degree is large and the difference degree between the selected clustering center and the selected clustering center is larger than the total average difference degree of the sample set as the initial clustering center. The experimental results show that the improved algorithm not only improves the stability and accuracy of clustering results, but also reduces the number of iterations and converges quickly.
【作者單位】： 湖南理工學院信息與通信工程學院;
【基金】：國家自然科學基金項目(61473118) 湖南省自然科學基金項目(2015JJ2074) 湖南省高校創(chuàng)新平臺開放基金項目(13K102) 湖南省科技計劃項目(2016TP1021)
【分類號】：TP311.13

【相似文獻】

相關期刊論文 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];太原理工大學學報;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];西安工程大學學報;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];天津科技大學學報;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;2010年10期

相關碩士學位論文 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;2013年

，

本文編號：2525043