一种降低噪音数据对k-means聚类结果影响的改进算法

摘要：

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。

关键词：k-means、噪音、鲁棒性

分类号：TP301.6(计算技术、计算机技术)

资助基金：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。

在线出版日期：2013-10-10（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：123-125,129