10.11772/j.issn.1001-9081.2015.05.1302
基于宽度优先搜索的K-medoids聚类算法
针对传统K-medoids聚类算法对初始值敏感、中心点随机选择以及聚类精度不够高等缺点,在粒计算有效初始化的基础上,提出中心点宽度优先搜索策略.首先,利用粒计算初始化获取K个有效粒子,遴选该K个粒子所对应的K个中心点作为K个初始中心点;然后,根据对象间的相似性分别对K个粒子中的对象建立以中心点为根节点的相似对象二叉树,通过宽度优先搜索遍历二叉树迭代出最优中心点,同时采用簇间距离和簇内距离优化准则函数.实验结果表明,所提算法在UCI中Iris和Wine标准数据集中测试,在有效缩短迭代次数的同时保证了算法聚类准确率.
K-medoids聚类算法、粒计算、相似对象二叉树、宽度优先搜索、适应度函数
35
TP301(计算技术、计算机技术)
国家自然科学基金资助项目51277015;湖南省研究生科研创新项目CX2014B386
2015-07-13(万方平台首次上网日期,不代表论文的发表时间)
共4页
1302-1305