一种基于距离-期望密度参数的K—means算法

• 作 者: 郑丹 王名扬 陈广胜
• 机 构: 东北林业大学信息与计算机工程学院
• 出 处: 山东师范大学学报：自然科学版
• 发表日期: 2015年4期
• 关键词: 聚类 K—means 初始聚类中心 密度分布 期望密度参数 clustering K - means parameter initial clustering
• 基金项目: 中央高校基本科研业务费专项资金资助项目（基于社会网络特征提取的群体性突发事件预警方法研究,No.2572014DB05）,中国博士后科学基金面上基金资助项目（考虑科技动态演化特征的热点技术领域预测研究,No.2012M520711）,国家自然科学基金资助项目（群体性突发事件预警的超网络方法研究,No.71473034）.

针对K-均值聚类算法随机生成初始聚类中心使得算法容易陷入局部最优的局限性，笔者在综合考虑数据集中数据对象之间的相似性和数据对象密度分布特性的基础上，提出了一种基于距离-期望密度参数K-均值初始聚类中心优化方法．该方法将k个相互距离最远并且能够代表样本对象分布的数据对象作为初始的聚类中心，从而使聚类结果更接近于全局最优解．在UCI数据集上对改进算法进行的仿真实验表明，该方法的聚类结果稳定性和准确率均得到了优化．