10.16157/j.cnki.0258-7998.2014071602638
一种K-means聚类算法的改进与应用
K-means算法是基于距离作为相似性度量的聚类算法,传统的K-means算法存在难以确定中心值个数、受噪声及孤立点影响较大的缺点.对此,利用类间相异度与类内相异度改进初始值K,以尽量减少人工干预;同时计算数据库中每一点与剩余点的距离和距离均和,将两者的大小比较作为识别孤立点和噪声点的依据,从而删除孤立点,减少对数据聚类划分的影响.最后将改进后的K-means算法应用于入侵检测系统并进行仿真实验,结果表明,基于改进的K-means算法的入侵检测系统一定程度上降低了误报率及误检率,提高了检测的准确率.
数据挖掘、聚类算法、K-means、入侵检测
41
TP301(计算技术、计算机技术)
2015-02-13(万方平台首次上网日期,不代表论文的发表时间)
共5页
125-128,131