一种新的k-medoids聚类算法.pdfVIP

ComputerEngineeringandApplications~[算机工程 与应用 一 种新的k．medoids聚类算法 姚丽娟 ，罗 可 ，孟 颖 YAOLijuan，LUOKe，MENGYing 长沙理工大学 计算机与通信工程学院，长沙 410114 InstituteofComputerandCommunicationEngineering，ChangshaUniversityofSciencesandTechnology,Changsha410114，China YAO Lijuan，LUO Ke，MENG Ying．New k-medoidsclusteringalgorithm．ComputerEngineeringandApplications， 2013．49(19)：153·157． Abstract：Forthedisadvantagesthatsensitivitytocentersinitialization，lowerclusteringaccuracyandslow convergentspeedof k-medoidsalgorithm，anovelk-medoidsalgorithm basedondensityinitialization，densiyt ofiterativesearchstrategyandoptimi- zationcriterionfunctionisproposed．TheInitializationofthealgorithm isthat，itchooseskclustercentersinthehigh—densiytarea whicharefarapart，effectivelypositioningofthefinalclustercenter．Toreplacethecentersareintherangeswhichareproximity tothek-initialcenters，toreducethescopeofthesearchcandidatepoint．Criterionufnctionofequalizationbasedonclassdensiyt andwithin-classdensityweightedisadoptedtoimprovetheclusteringprecision．Experimentalresultsshow thatthisalgorithm canimprovetheclusteringqualiyt,shortentheclusteringtimecomparedwithtraditionalk-medoidsalgorithmsorotherimproved algorithms． Keywords：clustering；k-medoidsalgorithm；densiytinitialization；criterionufnction 摘 要：针对k-medoids算法对初始聚类中心敏感，聚类精度较低及收敛速度缓慢的缺点，提出一种基于密度初始化、密度 迭代的搜索策略和准则函数优化的方法。该算法初始化是在高密度区域 内选择 个相对距离较远的样本作为聚类初始中 心，有效定位聚类的最终中心点；在k个与初始中心点密度相近的区域内进行中心点替换，以减少候选点的搜索范围；采用 类间距和类内距加权的均衡化准则函数，提高聚类精度 。实验结果表 明，相对于传统的k-mediods算法及某些改进算法，该 算法可 以提高聚类质量，有效缩短聚类时间。 关键字：聚类；k-medoids算法；密度初始化；目标函数 ． 文献标志码：A 中图分类号：TP391．4 doi：10．3778~．issn．1002—8331．11l2-0644 1 引言 很多改进的算法：文献[7．8]提出一个基于最小支撑树的聚 聚类是一个将数据集划分成若干组或类的过程，它使 类 中心初始化方法 ，克服 了StephenJ．Redmond给 出的方 得同一个组 内的数据对象具有较高的相似度，而不同组中 法在估计密度方面的缺陷，但是增加了时间复杂度 ；文献 数据对象则不相似，相似或不相似通常可利用距离进行度 [9】提出基于 m“etricaccessmethod”的方法，提高了聚类的 量 。聚类已成为数据挖掘的