K-均值聚类算法改进及其在服装生产的应用的研究.pdf

K-均值聚类算法改进及在服装生产的应用研究 中文摘要 K-均值聚类算法改进及在服装生产的应用研究 中文摘要 聚类分析是数据挖掘中的一种重要技术，它依据对象的相似性将对象集合划分成 组，该技术已广泛应用在统计分析、模式识别、图像处理等领域。K-均值算法是聚类 分析中广泛使用的一种算法，它具有简单高效的优点，然而存在这样的缺陷：对初始 聚类中心的选择异常依赖和敏感，且在指派对象到最近簇阶段要进行大量的循环迭 代。为此，本文对该算法做了深入的分析和研究，设计了两种 K-均值改进算法，并 在最后基于校企合作项目，在服装生产的两个方面做了算法的应用研究。本文主要工 作内容如下： （1）针对K-均值算法的缺陷，在初始聚类中心选取方面，设计了一种基于排序 划分的聚类初始化方法；在循环迭代方面，设计了一种指派对象到最近簇的优化方法。 实验表明，在处理低维数据上此改进算法简单有效，能在很大程度上提高聚类精度和 效率。 （2 ）针对K-均值算法在处理中高维数据上的性能下降，设计了基于Kd-树的K- 均值改进算法。在聚类中心初始化方面，采用Kd-树划分子样的方法选取；在循环迭 代方面，通过对聚类中心构建Kd-树来指派对象到最近簇。实验表明，在处理中高维 数据上此改进算法依然具有较高的聚类精度和效率，尤其在聚类精度上明显优于传统 K-均值算法。 （3 ）基于校企合作项目，通过引入聚类分析在服装生产的两方面做了尝试性的 应用研究。一方面是根据操作熟练程度的不同，采用基于排序划分的改进算法对工人 进行聚类，依此配置合理的生产线；另一方面是针对人工测量标准工时的传统方法， 采用基于Kd-树的改进算法对大量生产工时数据做聚类分析，据此来制定服装生产标 准工时。 关键词：聚类分析，K-均值，排序划分，Kd-树，标准工时 作 者：殷君伟 指导老师：陈建明 I Abstract Improvement on K-means Clustering Algorithm and its Application Research in Garment Production Improvement on K-means Clustering Algorithm and its Application Research in Garment Production Abstract Cluster analysis, an important technology in data mining, is based on the similarity to divide the data set into groups, which has been widely applied in statistical analysis, pattern recognition and image processing and other fields. The K-means algorithm, widely used in the cluster analysis with the advantages of simplicity and efficiency, which, however, has such defects: K-means Algorithm is extremely dependent on and sensitive to the choice of the initial cluster centers and it needs a large number of loop iterations to assign objects to the nearest cluster.