一种改进的K-均值聚类算法的研究

摘要：

聚类分析在科研和商业应用中都有着非常重要的作用.K-均值聚类算法是一种基于样本间相似性度量的间接聚类方法,其不足之处是,它采用均值作为一类的代表点,一个点往往不能充分反映该类的模式分布结构,从而损失了很多有用的信息.研究了一种改进的K-均值聚类算法,在求样本间距离时,采用核函数距离代替欧氏距离,考虑了各模式间的相关性.试验结果表明,利用改进的K-均值聚类算法,聚类结果的准确率更高,更稳定.

关键词：K-均值算法、相似度量、核函数、聚类

所属期刊栏目：3

分类号：TP311.13;TP391(计算技术、计算机技术)

在线出版日期：2007-01-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共2页

页码：76-77