基于邻域模型的K-means初始聚类中心选择算法

摘要：

传统的K-means算法由于其方法简单,在模式识别和机器学习中被广泛讨论和应用.但由于K-means算法随机选择初始聚类中心,而初始聚类中心的选择对最终的聚类结果有着直接的影响,因此算法不能保证得到一个唯一的聚类结果.利用邻域模型中对象邻域的上下近似,定义了对象邻域耦合度和分离度的概念,给出了对象在初始聚类中心选择中的重要性,提出了一种初始聚类中心的选择算法.另外,分析了邻域模型中三种范数对聚类精度的影响,并和随机选择初始聚类中心、CCIA选择初始聚类中心算法进行了比较,实验结果表明,该算法是有效的.

关键词：邻域模型、初始聚类中心、K-means聚类、粗糙集

所属期刊栏目：35

分类号：TP3;TN9

资助基金：国家863计划项目2007AA01Z165;国家自然科学基金70471003,60773133;高等学校博士学科点专项科研基金20050108604;教育部科学技术研究重点项目206017;山西省重点实验室开放基金200603023;山西省高校科技开发项目2007103;太原市科技局科技兴市专项项目07010724

在线出版日期：2009-02-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：181-184