论文部分内容阅读
K-Means算法的聚类结果对初始簇的选择非常敏感,通常获得的是局部最优解而非全局最优解.为此,在K-Means聚类算法基础上,引入组合聚类和竞争学习概念,提出一种基于竞争学习的K质心组合聚类算法CLK-Centroid.该算法采用竞争学习策略计算簇的质心,以适应噪声数据和分布异常数据的要求,使用组合聚类策略提高聚类的精度.在数据集上构建多个CLK-Centroid聚类器进行聚类,构建子簇相似矩阵,并根据子簇之间的相似性合并相似簇.理论分析和实验结果表明该算法能够提高聚类质量.