最小方差优化初始聚类中心的K-means算法

摘要：

传统K-means算法随机选取初始聚类中心,容易导致聚类结果不稳定,而优化初始聚类中心的K-means算法需要一定的参数选择,也会使聚类结果缺乏客观性.为此,根据样本空间分布紧密度信息,提出利用最小方差优化初始聚类中心的K-means算法.该算法运用样本空间分布信息,通过计算样本空间分布的方差得到样本紧密度信息,选择方差最小(即紧密度最高)且相距一定距离的样本作为初始聚类中心,实现优化的K-means聚类.在UCI机器学习数据库数据集和含有噪音的人工模拟数据集上的实验结果表明,该算法不仅能得到较好的聚类结果,且聚类结果稳定,对噪音具有较强的免疫性能.

关键词：聚类、K-means算法、方差、紧密度、初始聚类中心

所属期刊栏目：40

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31372250;陕西省科技攻关计划基金资助项目2013K12-03-24;中央高校基本科研业务费专项基金资助项目GK201102007

在线出版日期：2014-09-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：205-211,223