基于可拓距的改进k-means聚类算法
针对现有聚类算法在初始聚类中心优化过程中存在首个初始聚类中心点落于边界非密集区域的不足,导致出现算法聚类效果不均衡问题,提出一种基于可拓距优选初始聚类中心的改进k-means算法.将样本经典距离向可拓区间映射,并通过可拓侧距计算方法得到可拓左侧距及可拓右侧距;引入平均可拓侧距概念,将平均可拓左侧距和平均可拓右侧距分别作为样本密集度和聚类中心疏远度的量化指标;在此基础上,给出初始聚类中心选取准则.通过与传统k-means聚类算法进行对比,结果表明改进后的k-means聚类算法选取的初始聚类中心分布更加均匀,聚类效果更好,尤其在对高维数据聚类时具有更高的聚类准确率和更好的均衡性.
可拓距、k-means聚类算法、缩放因子、初始聚类中心、密集度、疏远度
15
TP181(自动化基础理论)
国家自然科学基金项目;浙江省公益技术应用研究计划项目
2020-08-19(万方平台首次上网日期,不代表论文的发表时间)
共8页
344-351