结合mean-shift与MST的K-means聚类算法

摘要：

针对初始点选择不当导致K-means陷入局部最小值问题，提出一种结合自适应mean-shift与最小生成树(MST)的K-means聚类算法。将数据对象投影到主成分分析(PCA)子空间，给出自适应 mean-shift 算法，并在 PCA 子空间内将数据向密度大的区域聚集，再利用MST与图连通分量算法，找出数据的类别数和类标签，据此计算原始空间的密度峰值，并将其作为K-means聚类的初始中心点。对 K-means 的目标函数、聚类精度和运行时间进行比较，结果表明，该算法在较短的运行时间内能给出较优的全局解。

关键词：聚类分析、K-means算法、初始中心点、Mean-Shift算法、主成分分析、最小生成树

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金资助项目61073116,61211130309

在线出版日期：2013-12-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：204-210