通过密度思想和聚类有效性指标改进的K-means算法

摘要：

K-means算法是常用的一种聚类分析算法.通常预先选取一个k值,然后再通过选取初始聚类中心进行聚类,直到结果不再收敛.但是传统K-means算法存在k值和初始中心点如何选取的问题,因此针对这一缺陷进行改进.通过密度参数的计算和考虑样本之间距离因素来选取初始聚类中心,并且对聚类有效性指标DBI进行改进,得到新的聚类有效性指标函数IDBI来分析不同k值下的聚类结果,从而得出最佳聚类数.结果 表明,IDBI值普遍比DBI小,更加趋于稳定,因此该算法相比传统算法具有更好的收敛性以及更高的准确性.

关键词：K-means;聚类密度思想;聚类分析;初始中心选取优化;k值优化;IDBI聚类有效性指标

所属期刊栏目：44

分类号：TN911.1-34;TP301.6

资助基金：国家自然科学基金两化融合重点项目;国家自然科学基金资助项目;国家自然科学基金资助项目;浙江省自然科学基金资助项目

在线出版日期：2021-11-08（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：120-123