登录 | 注册 | 充值 | 退出 | 公司首页 | 繁体中文 | 满意度调查
综合馆
一种融合 K-means 和快速密度峰值搜索算法的聚类方法
  • 摘要

    K-means 算法的初始聚类中心是随机选取的,不同的初始中心输入会得出不同的聚类结果。针对 K-means 算法存在的问题,提出一种融合 K-means 算法与聚类的快速搜索和发现密度峰算法的聚类算法(K-CBFSAFODP)。该算法是这样考虑的:类簇中心被具有较低局部密度的邻居点包围,且与具有更高密度的任何点都有相对较大的距离,以此来刻画聚类中心;再运用 K-means算法进行迭代聚类,弥补了 K-means 聚类中心随机选取导致容易陷入局部最优的缺点;并且引入了熵值法用来计算距离,从而实现优化聚类。在 UCI 数据集和人工模拟数据集上的实验表明,融合算法不仅能得到较好的聚类结果,而且聚类很稳定,同时也有较快的收敛速度,证实了该融合算法的可行性。

  • 作者

    盛华  张桂珠  Sheng Hua  Zhang Guizhu 

  • 作者单位

    江南大学物联网工程学院 江苏 无锡 214122/江南大学轻工过程先进控制教育部重点实验室 江苏 无锡 214122

  • 刊期

    2016年10期 ISTIC PKU

  • 关键词

    聚类  K-means算法  CBFSAFODP算法  初始聚类中心  密度  信息熵  Clustering  K-means algorithm  CBFSAFODP algorithm  Initial clustering centres  Density  Information entropy 

相似文献 查看更多>>
18.204.227.250