一种基于初始点密度最大改进型ISODATA聚类算法.docVIP

一种基于初始点密度最大的改进型ISODATA聚类算法 　　摘要：针对ISODATA对初始聚类点选取较为敏感，不能处理噪声点的缺陷，提出一种基于结合密度最大的改进型ISODATA的划分聚类方法D-ISODATA。基于高局部密度点距离和局部密度最大原则，优化聚类初始点并去除噪声点。根据考察对象所处空间区域的密度分布情况划分基本簇，结合ISODATA聚类算法良好的自适应性，有效地对数据集进行分类。实验表明，这种基于密度聚类的改进型ISODATA算法能有效去除噪声点，改善初始中心点选择对最后聚类算法的影响，并且具有良好的自适应性，对于数据集处理的准确性优于传统K-means算法和ISODATA算法。 　　关键词：高局部密度点距离；初始点选择；噪声点；ISODATA；D-ISODATA 算法 　　DOIDOI：10.11907/rjdk.172074 　　中图分类号：TP312 　　文献标识码：A 文章编号：1672-7800（2017）012-0094-05 　　Abstract：Aiming at the defect that ISODATA is sensitive to the initial clustering points and can not deal with the noise points， this paper proposes an improved ISODATA clustering method based on the combination of maximum density D-ISODATA. Based on the principle of “high local density point distance” and local density maximum principle， the initial points and the noise points are optimized. Through the investigation of the basic object to divide the cluster density distribution area， combined with the ISODATA clustering algorithm is a good “adaptive”， classify the data set， experiments show that the improved ISODATA algorithm can effectively remove the noise density clustering based on improved effect on the final selection of the initial center point clustering algorithm， and have good adaptability. The accuracy of data processing is better than the traditional partition based clustering algorithms such as K-means algorithm and IOSDATA algorithm and the clustering algorithm based on density division such as DBSCAN algorithm. 　　Key Words：high local density point distance； optimal initial point selection； noise point； ISODATA； D-ISODATA algorithm 　　0 引言 　　聚?是一种流行的数据挖掘技术，聚类算法被广泛应用于诸多领域，包括模式识别、机器学习、图像处理、信息检索等[1]，在数据挖掘中起到重要作用。 　　现有聚类算法可以分为划分法[2]、层次法[3]、密度法[4]、网格法[5]和模型法[6-7]。划分法首先创建k个划分，然后利用循环定位技术将对象从一个划分移到另一个更合适的划分，以此改善划分质量。层次法创建一个层次以分解给定的数据集，该方法可分为自上而下（分解）和自下而上（合并）两种操作方式。为弥补分解与合并的不足，层次合并经常要与其它聚类方法相结合，如循环定位。密度法根据元素密度完成对象聚类。它根据对象周围的密度（如DBSCAN）不断增长聚类。网格法首先将对象空间划分为有限个单元以构成网格结构，然后利用网格结构完成聚类。模型法则假设每个聚类的模型并发现适合相应模型的数据。 　　以上聚类算法具有各自的特点，