10.3969/j.issn.1006-9348.2013.03.067
基于最大维密度的全局优化空间聚类算法
在优化空间聚类算法的研究中,传统的K-means空间算法存在两个缺陷,其一是对空间对象的属性描述不全面,其二是对初始种子集选取敏感,容易陷入局部最优值,聚类结果不稳定.为了优化算法,引入适合空间对象的空间属性距离和基于最大维密度选择方案(Max-Dimension of Density Based Seeking,MDDBS)来改进K-means算法,提出利用最大维密度的全局优化空间聚类算法(Max-Dimension of Density Based Clustering,MDDBC),可从密度大的区域选取初始种子,同时又尽量将种子分散在数据空间.实验结果表明,改进方法可以很好消除聚类结果的波动性,同时更加客观地呈现空间对象的分布规律.
空间对象、最大维、密度、初始种子、聚类算法
30
TP301.6(计算技术、计算机技术)
广西自然科学基金项目资助项目2011GXNSFD018025;广西自然科学青年基金项目资助项目2012GXNSFBA053161
2013-08-27(万方平台首次上网日期,不代表论文的发表时间)
共4页
277-280