k-means聚类中心的鲁棒优化算法 robust clustering center optimization for k-means algorithm.pdfVIP

下载本文档

58
0
约2.34万字
约 6页
2017-10-14 发布于上海
举报
版权申诉

k-means聚类中心的鲁棒优化算法 robust clustering center optimization for k-means algorithm.pdf

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

k-means聚类中心的鲁棒优化算法 robust clustering center optimization for k-means algorithm

2015年9月计算机工程与设计 Sep．2015 AND 第36卷第9期 COMPUTERENGINEERINGDESIGN V01．36No．9 K—means聚类中心的鲁棒优化算法罗倩 (北京信息科技大学信息与通信工程学院，北京100192) 摘要：针对K—means算法对随机选择的初始聚类中心敏感且聚类结果不稳定、准确率不高的问题，提出一种基于邻域数据距离加权的聚类中心鲁棒优化算法。通过建立数据密度约束将聚类中心优化在数据密集区域，有效克服K-means算法聚类结果稳定性差等问题。通过对仿真数据和标准数据集的实验，验证了采用该算法收敛的聚类中心非常接近标准数据集的实际中心，具有较优的聚类准确性、鲁棒性和收敛速度。关键词：K-means聚类算法；初始聚类中心；邻域距离加权；聚类优化；鲁棒算法中图法分类号：TP301．6文献标识号：A 文章编号：1000—7024(2015)09～2395—06 doi：10．16208／j．issnl000—7024．2015．09．015 K—means Robust center for clusteringoptimization algorithm LU0 Qian ofInformationandCommunications InformationScienceand University， (School Engineering，Beijing Technology 100192，China) Beijing issensitivetoits choseninitial centers，andthe Abstract：FortheissuethatK-means randomly clustering clustering algorithm resultsareunstableandthe rateisnot robust center basedon accuracy veryhigh，a clusteringoptimalalgorithm weightedneigh— borhooddistancewas focusedthe centersondatadense proposed．Thealgorithmoptimally clustering areas，overcomingprob— lemsofK-means resultsfromsimulationdataaswellasstandarddatasets algorithmincludingpoorstability，etc．Experimental actual ofdatasetswith clus— showthatthe centers tOthe centersofvarious clusteringcloselyapproximate types high convergent r