优化初始聚类中心的改进k-means算法

摘要：

传统k-means算法随机选取初始聚类中心使聚类结果不稳定,诸多优化算法的时间复杂度较高,为了提高聚类稳定性并降低时间复杂度,提出了基于个体轮廓系数自适应地选取优秀样本以确定初始聚类中心的改进k-means算法.该算法多次调用传统k-means算法聚类,根据k个类中心的个体轮廓系数以及各样本与类中心的距离,自适应地选取优秀样本,求其均值作为初始聚类中心.在多个UCI数据集上的实验表明,该算法聚类时间短,具有较高的轮廓系数和准确率.

关键词：聚类、k均值算法、初始聚类中心、个体轮廓系数、自适应

所属期刊栏目：34

分类号：TP301.6(计算技术、计算机技术)

资助基金：山西省科技攻关基金项目20080322008;山西省自然科学基金项目2008011039

在线出版日期：2013-07-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：1691-1694,1699