-
题名基于聚合距离参数的改进K-means算法
被引量：26
- 1
-
-
作者
王巧玲
乔非
蒋友好
-
机构
同济大学电子与信息工程学院
-
出处
《计算机应用》
CSCD
北大核心
2019年第9期2586-2590,共5页
-
基金
国家自然科学基金重大项目(71690230,71690234)~~
-
文摘
针对传统K均值聚类(K-means)算法随机选择初始中心及K值导致的聚类结果不确定且精度不高问题,提出了一种基于聚合距离的改进K-means算法。首先,基于聚合距离参数筛选出优质的初始聚类中心,并将其作用于K-means算法。然后,引入戴维森堡丁指数(DBI)作为算法的准则函数,循环更新聚类直到准则函数收敛,最后完成聚类。改进算法提供了优质的初始聚类中心及K值,避免了聚类结果的随机性。二维数值型仿真数据的聚类结果表明,改进算法在数据样本数达到10 000时仍能保持较好的聚类效果。针对Iris和Seg这两个UCI标准数据集的调整兰德系数,改进算法比传统算法性能分别提高了83.7%和71.0%,最终验证了改进算法比传统算法聚类结果的准确性更高。
-
关键词
聚合距离参数
聚类中心
聚类评判指标
戴维森堡丁指数(DBI)
数据聚类
-
Keywords
aggregation distance coefficient
cluster center
clustering evaluation index
Davies-Bouldin Index(DBI)
data clustering
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
