一种改进的K—means聚类算法

• 作 者: 周爱武 崔丹丹 肖云
• 机 构: 安徽大学计算机科学与技术学院
• 出 处: 微型机与应用
• 发表日期: 2011年21期
• 关键词: 欧氏距离 K—means 优化初始聚类中心 Euclidean distance K-means optimization initial clusteri
• 基金项目: 安徽省教育厅自然科学基金（KJ2009A57）

K—means算法是最常用的一种基于划分的聚类算法，但该算法需要事先指定K值、随机选择初始聚类中心等的缺陷，从而影响了K—means聚类结果的稳定性。针对K—means算法中的初始聚类中心是随机选择这一缺点进行改进，利用提出的新算法确定初始聚类中心，然后进行聚类，得出最终的聚类结果。实验证明，该改进算法比随机选择初始聚类中心的算法性能得到了提高，并且具有更高的准确性及稳定性。