k--mean聚类算法的改进与应用.pdf

lllll1 K．means聚类算法的改进与应用 年级：2012级导师：张师超教授研究生：许允栋 专业：计算机应用技术方向：数据挖掘 摘要 伴随着计算机和网络技术的迅猛发展和普及，加之数据库和数据库管理技术的巨大发 展和广泛应用，使得数据呈爆炸性增长。如何从这些庞大的数据中发掘出有价值的信息便 成为了‘个非常重要的问题，数据挖掘技术在这样的背景之下应运而生。数据挖掘就是从 庞大的数击|：j中发掘出有用的信息或知识，使决策更加科学。作为一种无监督的方法，聚类 分析能够在不具备先验知识的情况下，把一个数据集划分成若干个子集，每个子集是一个 簇，使得簇中的对象彼此相似，但跟其他簇中的对象不相似。近年来，聚类分析技术不断 的发展和完善，已经在许多领域得到广泛的应用。 当前聚类的算法有很多，其中K．means算法因为操作简单、高效、伸缩性较好而得到 J。泛的应用。但是K．means算法也有很多缺点，如聚类结果对初始聚类中心非常敏感，对 初值选择的依赖、存在死单元等问题。针对以上缺点，本文提出一种改进的K．means算法， 既能获得较好的聚类效果，还能保证改进后算法的线性时间复杂度。本文对初始聚类中心 的选择进行优化，簇的中心数量(k)将像传统K。means算法一样由用户设定，将整个空 M划分成符f二二子空间，统计每一个子空间内数据点的数目，选取数据点最多的前几个子空 |、IfJ作为彰u始聚类中心，如果存在不同子空间其数据点数量相同，则把不同的子空间强制合 并。本义还定义了不同簇的中心之间的阈值距离，用以对数据点到簇的中心的距离进行比 较，这样町以减少计算数据点与簇的中心之间距离的工作量。本文选用UCI机器学习数据 库的数拱i进行对比实验，从而进一步说明了改进后的算法的准确性和高效性。 本文针对K．means算法的图像分割应用进行了深入的研究。对一种图像区域分割方法 进行详细介绍。该方法首先对图像的彩色空间进行选择，接着抽取图像的像素点的颜色、 纹理及位置等特征，形成特征空间向量；然后进行聚类以及图像的区域分割；最后抽取图 像区域的特征。本文详细介绍了图像分割的方法，根据图像的分割算法编写代码并实验运 行，最后给f士j实验结果。 关键词：聚类分析；K．means算法；图像分割；数据挖掘 Im and ofK·-means provementapplication clustering algorithm Grade：2012 Tutor：ProfessorShichaoName-Xu Zhang Yundong Direction：Data Major：Computer Research Mining ApplicationTechnology Abstract Withthe and of andnetwork rapiddevelopmentpopularizationcomputer andwide ofthe anddatabase alsothe database management greatdevelopmentapplication now valuableinformationfrommassivedatahas technology,dataexplosivelyincrease．