结合近邻思想和K-means的三支决策聚类方法.pdfVIP

Vol.53No.2计算机与数字工程总第424期

314ComputerDigitalEngineering第53卷

2025年第2期

结合近邻思想和K-means的三支决策聚类方法∗

唐欣

（北方民族大学数学与信息科学学院银川750021）

摘要针对K-means算法随机选取聚类中心且易受极端值影响等问题，提出近邻思想和K-means的三支决策聚类方

法。首先，利用样本点之间的关系得到密度最高的对象作为初始聚类中心，根据剩余样本点与初始聚类中心之间的近邻密

度选取合适的聚类对象，同时更新聚类中心；接着从最远欧氏距离出发寻找n-1个聚类中心及其对应的聚类对象，得到二支

K-means聚类结果。最后，结合三支决策和Q近邻思想，将上述结果进一步划分为核心域、边界域及琐碎域，得到三支

K-means决策聚类结果。在UCI数据集和人工模拟数据集上分别进行试验，实验结果表明：相比于其他几种方法，该方法提

高了聚类准确率，具有稳定性。

关键词K-means算法；局部邻域密度；Q近邻；三支决策；三支聚类

中图分类号TP311.13；TP181DOI：10.3969/j.issn.1672-9722.2025.02.004

Three-WayDecisionClusteringMethodCombiningNearest

NeighborIdeaandK-means

TANGXin

（SchoolofMathematicsandInformationScience，NorthMinzuUniversity，Yinchuan750021）

AbstractAimingattheproblemsofrandomlyselectingclustercentersandbeingeasilyaffectedbyextremevaluesin

K-meansalgorithms，athreebranchdecisionclusteringmethodbasedonthenearestneighborideaandK-meansisproposed.First⁃

ly，usingtherelationshipbetweensamplepoints，theobjectwiththehighestdensityisobtainedastheinitialclusteringcenter.

Basedonthedensityofneighborsbetweentheremainingsamplepointsandtheinitialclusteringcenter，suitableclusteringobjects

areselected，andtheclusteringcenterisupdatedatthesametime.Then，startingfromthefarthestEuclideandistance，thearticle

searchesforn-1clusteringcentersandtheircorrespondingclusteringobjects，obtainingtheresultsoftwobranchclustering.Final⁃

ly，combiningthethreebranchdecisionandnearestneighborthinking，theaboveresultsarefurtherdividedintocoredomain，

boundarydomain，andtrivialdomaintoobtaintheclusteringresultsofthethreebranchdecision.Experimentsareconductedon

boththeUC