一种降低噪音数据对k-means聚类结果影响的改进算法
k-means算法是常用的聚类算法之一,它是一种基于划分的聚类算法,但是k-means算法有对噪音数据鲁棒性不佳的不足,且它对于噪音和孤立点数据是敏感的。本文主要针对这个不足,将密度思想与k-means算法结合,提出了一种对k-means算法的改进算法,并通过实验表明了这种算法的可行性和有效性。
k-means、噪音、鲁棒性
TP301.6(计算技术、计算机技术)
河北省科技厅2010年度科研项目104572117;项目名称数据挖掘在金融行业中的应用。
2013-10-10(万方平台首次上网日期,不代表论文的发表时间)
共4页
123-125,129