粒计算优化初始聚类中心的K-medoids聚类算法

摘要：

针对快速K-me doids聚类算法所选初始聚类中心可能位于同一类簇的缺陷，以及基于粒计算的K-medoids算法构造样本去模糊相似矩阵时需要主观给定阈值的缺陷，提出了粒计算优化初始聚类中心的K-medoids聚类算法。该算法结合粒计算与最大最小距离法，优化K-medoids算法初始聚类中心的选取，选择处于样本分布密集区域且相距较远的K个样本作为初始聚类中心；使用所有样本的相似度均值作为其构造去模糊相似矩阵的阈值。人工模拟数据集和UCI机器学习数据库数据集的实验测试表明，新K-medoids聚类算法具有更稳定的聚类效果，其准确率和Adjusted Rand Index等聚类结果评价指标值优于传统K-medoids聚类算法、快速K-medoids聚类算法和基于粒计算的K-medoids聚类算法。

关键词：粒计算、初始聚类中心、最大最小距离法、K-me doids聚类算法

分类号：TP181.1(自动化基础理论)

资助基金：The National Natural Science Foundation of China under Grant No.31372250;the Key Science and Technology Project of Shaanxi Province of China under Grant No.2013K12-03-24;the Fundamental Research Funds for the Central Universities of China under Grant No. GK201503067

在线出版日期：2015-06-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：611-620