Kmeans算法的初始聚类中心的优化.pdfVIP

and 147 ComputerEngineeringApplications计算机工程与应用 2008，44(10) K—means算法的初始聚类中心的优化 赖玉霞，刘建平 LAIYu—xia，LIU Jian-ping 浙江理工大学信息电子学院，杭州310018 ofElectronic Sci-Tech 310018。China College Information，ZhejiangUniversity，Hangzhou E-mail：lenslin2000@yahoo．corn．ca LAI oninitialcenterofK-means and Yu—xia．LIU Jian—ping．Optimizationstudy algorithm．ComputerEngineering Applications．2008．44(10)：147-149． Abstract：ThetraditionalK-means has totheinitialcenters．Tosolvethis K-means algorithmsensitivity problem，animproved basedon is it the oftheareawherethedata findsK to；then algorithm densitypresente．Firstcomputesdensity objectbelongs data allofwhichare to areaandthemostfar toeach theseKdata asthe objects belonghighdensity away other，using objects initialstart and resultsdemonstratethatthe can better centers．Theoryanalysisexperimental improvedalgorithmget clustering．and eliminatethe totheinitialstartcenters． sensitivity alea Keywords：clustering；K-meansalgorithm；density；clusteringcenter；highdensity 基于密度的改进的K—means算法，该算法采取聚类对象分布密度方法来确定初始聚类中心，选择相互距离最远的K个处于高密 度区域的点作为初始聚类中心，理论分析与实验结果表明，改进的算法能取得更好的聚类结果。 关键词：聚类；K—means算法；密度；聚类中心；高密度区域 文章编号：1002—833l(2008)10—0147-03文献标识码：A 中图分类号：TP274 1引言 同的初始聚类中心出发，得到的聚类结果也不一样。因此本文 随着数据库应用的普及，人们正逐步陷入“数据丰富。知识 提出了一种寻找初始聚类中心的方法，使得初始聚类中心的分 贫乏”的尴尬境地。而近年来互联网的发展与快速普及，使得人 布尽可能体现数据的实际分布。 类第一次真正体会到了数据海洋无边无际。而数据挖掘技术的 出现，使得人们能够利用智能技术将这巨大数据资源转换为有 2 K—nlean