一种新的k-medoids聚类算法

摘要：

针对k-medoids算法对初始聚类中心敏感，聚类精度较低及收敛速度缓慢的缺点，提出一种基于密度初始化、密度迭代的搜索策略和准则函数优化的方法。该算法初始化是在高密度区域内选择k 个相对距离较远的样本作为聚类初始中心，有效定位聚类的最终中心点；在k个与初始中心点密度相近的区域内进行中心点替换，以减少候选点的搜索范围；采用类间距和类内距加权的均衡化准则函数，提高聚类精度。实验结果表明，相对于传统的k-mediods 算法及某些改进算法，该算法可以提高聚类质量，有效缩短聚类时间。

关键词：聚类、k-medoids算法、密度初始化、目标函数

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金No.11171095，No.10871031；湖南省自然科学衡阳联合基金No.10JJ8008；湖南省教育厅重点项目No.10A015；湖南省科技计划项目No.2011FJ3051。

在线出版日期：2013-10-17（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：153-157