10.3969/j.issn.1004-3918.2019.04.002
基于孤立点自适应的K-means算法
孤立点的存在使聚类中心的计算产生较大误差,影响K-means算法的聚类效果.针对该问题,引入谢林模型,使孤立点能够自动移动到其邻居所在位置,消除孤立点,同时,对K-means算法过程中的距离计算、初始聚类中心选取环节进行改进,提出基于孤立点自适应的K-means算法.该算法首先对原始数据进行归一化处理,以提高距离计算的准确性;然后,根据谢林模型的基本思想,将孤立点移动到其最近的多邻邻居;接着,由类簇的数目确定邻居样本的搜索范围,确定初始聚类中心;最后,根据移动后的数据集和初始聚类中心,进行K-means聚类.在UCI机器学习数据库中经典聚类数据集上的实验结果表明,该算法可显著提升聚类的精度,同时,簇的内聚性也比较好.
K-means算法、孤立点、谢林模型、初始聚类中心、误差平方和
37
TP181(自动化基础理论)
广东省普通高校青年创新人才项目2015WQNCX203,2017KQNCX266
2019-05-29（万方平台首次上网日期，不代表论文的发表时间）
共7页
507-513
