基于划分采样的初始聚类中心算法.pdfVIP

第 42卷 第 4期 太 原 理 工 大 学 学 报 Vol|42 No．4 2011年 7月 JOURNALOFTAIYUAN UNIVERSITYOFTECHN0L0GY Ju1．2011 文 章编 号 ：1007—9432(2011)04—0334-04 基于划分采样的初始聚类中心算法 李 玮，薛惠锋，詹海亮 (西北工业大学 自动化学院，西安 710072) 摘 要 ：针 对 大数据 集 的初 始 聚类 中心选 取 问题 ，在 基 于密度 的划 分算 法和适 用 于大规 模数 据 集 限定初 值 的采样 算法基 础上 ，提 出了一种 用 于初 始 聚 类 中心 的划 分 采样 算 法 。对 聚 类 子 空 间在 每 一维上 进行 均 匀划分 形成 不 同的数据 区域 ，根据 数据 区域 的数 据 点数 的 多少进 行 采 样 来提 高采 样 的准确 性 。利 用采样 思想 缩 小 了数据 集 的规模 ，保证 了算 法在 时 间上 的优 势 。通过 不 同规模 、不 同形状 的数据 集对 算 法进 行验 证 ，实验 结果表 明，与其 它初 始 聚 类 中心算 法相 比 ，该 算 法在 准确 率 和 时 间上 都具 有一 定 的优 势 。 关键 词 ：聚类 中心初 始化 ；密度 估计 法 ；限定初值 算 法 ；K—means算 法 中图分类 号 ：TP202．7 文献 标识 码 ：A 在基于划分 的聚类算法 中，K—means算法以及 划分和划分后数据集 的密度来寻找初始 的聚类 中 中心迭代算法是最有代表性的算法 ，目前被广泛地 心 ，算法流程如下。 应用于模式识别、图像处理等领域。但这些算法对 Stepl：将整个数据集划分成M个子空间S，，J= 初始值比较敏感 ，容易陷入局部最优。为了提高这 1，2，…，M，并计数每个数据区域内的点的个数 ，； 些算法的效率 ，使算法不受局部极小值的影响，聚类 Step2：在每个子空间内随机选取 K 一k× ／n 初值的选取显得尤为重要。选择恰 当的初值不仅能 (取整)个数据样本作为初始聚类中心(其中k是聚类 够提高聚类结果的质量 ，还能够加速迭代过程的收 数 目，是所有数据点的个数)； 敛速度。为了确定初始聚类 中心，国内外学者提出 了多种不 同的方法 ，典型的有 TOU和 Gonzales提出 Step3：如果∑K一k，则停止；若∑Kk， 的 SCS算法_l】]，Kaufman和 Rousseeuw 提 出的 且(是一K)／k 10 ，则使M —M一(~／M 一1)， Kaufman方法 ]，PaulS．Bradley等提 出的PB算 并转 向Step2，否则选取随机点作为未初始化的聚 法_3“j，StephenJ．Redmond和 ConorHeneghan提 类中心。 出的初始聚类中心的 kd—trees算法 [5]。在 国内，复 1．1．2 PB算法 旦大学的钱线等提 出了初始聚类中心的谱方法 ]， PB算法由PaulS．Bradley等提出，算法流程如下。 该方法给出了类的特征 中心这一新概念 ，算法估 计 Stepl：在数据集上进行 次随机子采样 ，形成 出数据集中各个类 的特征 中心，然后用特征 中心初 数据子集 S，，J一1，2，…，J； 始化 K—means算法。这些方法针对不 同的数据集 Step2：对于每一个数据子集 S，，J一1，2，… ，，‘， 均取得了一定 的效果。本文在分析已有研究成