基于初始聚类中心选取和数据点划分的K均值聚类算法
传统K均值聚类算法随机选取初始中心容易陷入局部极小,而且不能有效处理不规则数据集的边缘数据。针对这两个问题,提出一种改进K均值聚类算法。初始聚类中心的选取使用基于距离的方法,减少了迭代次数;数据点不再根据距离聚类中心的大小划分,而是根据其周围点的分布划分。通过仿真,证实了本文算法的可行性与有效性。
K均值聚类、初始聚类中心、数据点划分、距离、边缘数据
TP3;TP1
高等学校博士学科点专项科研基金200802901506
2014-01-07(万方平台首次上网日期,不代表论文的发表时间)
共5页
90-94