检索结果-南通市图书馆

基于样本空间分布密度的初始聚类中心优化K-均值算法

在线全文

学校读者我要写书评

暂无评论

计算机应用研究 2012年第3期29卷 888-892页

作者：谢娟英郭文娟谢维信高新波陕西师范大学计算机科学学院西安710062 西安电子科技大学电子工程学院西安710071 深圳大学信息工程学院ATR国家重点实验室深圳518060

针对传统K-均值聚类算法对初始聚类中心敏感、现有初始聚类中心优化算法缺乏客观性,提出一种基于样本空间分布密度的初始聚类中心优化K-均值算法。该算法利用数据集样本的空间分布信息定义数据对象的密度,并根据整个数据集的空间信息定... 详细信息

针对传统K-均值聚类算法对初始聚类中心敏感、现有初始聚类中心优化算法缺乏客观性,提出一种基于样本空间分布密度的初始聚类中心优化K-均值算法。该算法利用数据集样本的空间分布信息定义数据对象的密度,并根据整个数据集的空间信息定义了数据对象的邻域;在此基础上选择位于数据集样本密集区且相距较远的数据对象作为初始聚类中心,实现K-均值聚类。UCI机器学习数据库数据集以及随机生成的带有噪声点的人工模拟数据集的实验测试证明,本算法不仅具有很好的聚类效果,而且运行时间短,对噪声数据有很强的抗干扰性能。基于样本空间分布密度的初始聚类中心优化K-均值算法优于传统K-均值聚类算法和已有的相关K-均值初始中心优化算法。

关键词：聚类 K-均值聚类初始中心邻域样本分布密度

在线全文

学校读者我要写书评

暂无评论

聚类初始中心点选取研究

南京师大学报（自然科学版） 2010年第4期33卷 161-165页

作者：杨天霞王治和王华王凌云西北师范大学数学与信息科学学院甘肃兰州730070

研究了利用已发现的频繁序列模式对序列数据库进行再聚类再发现的问题,针对已有的K-均值聚类算法随机选取初始中心点而导致聚类结果不稳定性的缺点,提出了一种基于Huffman思想的初始中心点选取算法——K-SPAM(K-means algorithm of sequ... 详细信息

研究了利用已发现的频繁序列模式对序列数据库进行再聚类再发现的问题,针对已有的K-均值聚类算法随机选取初始中心点而导致聚类结果不稳定性的缺点,提出了一种基于Huffman思想的初始中心点选取算法——K-SPAM(K-means algorithm of sequence pattern mining based on the Huffman Method)算法.该算法能够在一定程度上减少陷入局部最优的可能,而且对序列间相似度的计算采用一种高效的"与"、"或"运算,可极大提高算法的执行效率.

关键词： K-均值序列模式 Huffman树聚类初始中心

一种优化初始中心的K-means粗糙聚类算法

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2010年第34期46卷 126-128页

作者：姚跃华史秀岭长沙理工大学计算机与通信工程学院长沙410114

针对K-means算法的不足,提出了一种优化初始中心的聚类算法。首先,采用密度敏感的相似性度量来计算对象的密度,基于对象之间的距离和对象的邻域,选择相互距离尽可能远的数据点作为初始聚类中心。然后,采用基于粗糙集的K-means聚类算法... 详细信息

针对K-means算法的不足,提出了一种优化初始中心的聚类算法。首先,采用密度敏感的相似性度量来计算对象的密度,基于对象之间的距离和对象的邻域,选择相互距离尽可能远的数据点作为初始聚类中心。然后,采用基于粗糙集的K-means聚类算法处理边界对象,同时利用均衡化函数自动生成聚类数目。实验表明,算法具有较好的聚类效果和综合性能。

关键词：聚类 K-means算法初始中心密度粗糙集

基于加权的K-modes聚类初始中心选择算法

在线全文

学校读者我要写书评

暂无评论

山东大学学报（工学版） 2016年第2期46卷 29-34页

作者：江峰杜军威刘国柱眭跃飞青岛科技大学信息科学与技术学院山东青岛266061 中国科学院计算技术研究所北京100190

针对现有的K-modes聚类初始化方法没有考虑不同的属性具有不同的重要性这一问题,提出一种基于加权密度与加权重叠距离的初始中心选择算法Ini-Weight。Ini-Weight算法通过计算每个对象的密度以及对象之间的距离来选择初始中心。在计算对... 详细信息

针对现有的K-modes聚类初始化方法没有考虑不同的属性具有不同的重要性这一问题,提出一种基于加权密度与加权重叠距离的初始中心选择算法Ini-Weight。Ini-Weight算法通过计算每个对象的密度以及对象之间的距离来选择初始中心。在计算对象的密度以及对象的距离时,Ini-Weight算法根据每个属性的重要性为不同的属性赋予不同的权值。最后,在UCI数据集上将Ini-Weight与现有的方法进行了比较,结果表明,Ini-Weight算法可以有效地区分不同的属性,而且提高了初始中心选择的准确性。

关键词： K-modes聚类粗糙集加权平均密度加权重叠距离初始中心

旅游客户细分K-means算法的初始中心优化

在线全文

学校读者我要写书评

暂无评论

科技通报 2016年第7期32卷 130-133页

作者：王丹竹杨昌勇兴义民族师范学院经贸学院贵州兴义562400

以标准K-means算法在旅游客户细分的应用中存在的聚类效果不佳等缺陷为着眼点,本文设计了一种以初始化中心优化K-means算法为基础的旅游客户细分模型,首先优化该算法中相似度的计算中的距离度量,之后再以K-means算法聚类效果对初始质心... 详细信息

以标准K-means算法在旅游客户细分的应用中存在的聚类效果不佳等缺陷为着眼点,本文设计了一种以初始化中心优化K-means算法为基础的旅游客户细分模型,首先优化该算法中相似度的计算中的距离度量,之后再以K-means算法聚类效果对初始质心严重依赖和对数据输入顺序敏感等缺点为着眼点,提出寻找较为准确的K个聚类中心的方法。结果表明,通过改进K-means算法得到的客户划分,类别明确,类别之间的界限清晰,说明通过对客户的划分定义明确,划分效果较好。

关键词： K-means聚类旅游企业客户细分初始中心质心优化

K-均值聚类算法初始中心选取相关问题的研究

在线全文

学校读者我要写书评

暂无评论

K-均值聚类算法初始中心选取相关问题的研究

作者：吴晓蓉湖南大学

学位级别：硕士

数据挖掘是指从数据库中发现隐含的、新颖的、对决策有潜在价值的知识和规则的过程,已经在许多领域得到了广泛的应用。聚类分析是数据挖掘领域最为重要的技术之一,至今已在理论和方法上取得了丰硕的研究成果。聚类已经被广泛的研究了许... 详细信息

数据挖掘是指从数据库中发现隐含的、新颖的、对决策有潜在价值的知识和规则的过程,已经在许多领域得到了广泛的应用。聚类分析是数据挖掘领域最为重要的技术之一,至今已在理论和方法上取得了丰硕的研究成果。聚类已经被广泛的研究了许多年,主要集中在基于距离的聚类算法上,其中以K-均值聚类算法最为经典。K-均值算法是一种典型的基于划分的方法,该算法的优点是思想简单易行,时间复杂性接近线性,对大规模数据的挖掘具有高效性和可伸缩性。但是该算法存在如下缺点:聚类个数K需要预先给定;算法对初值敏感;算法易陷入局部极小,并且一般只能发现球状簇。本文主要深入研究和分析了聚类算法中的经典K-均值聚类算法,总结出其优点和不足。重点分析了K-均值聚类算法对初始值的依赖性,并用大量的实验验证了随机选取初始值对聚类结果的影响性。针对K-均值算法对初始中心值选取的依赖性,提出了两种新的初始中心值选取方法。主要研究内容和工作成果如下:1.基于Huffman树构造的思想,提出了一种新的选取K-均值聚类算法初始中心点方法,改善K-均值聚类算法随机选取初始中心点而导致的聚类结果不稳定,容易陷入局部最优而非全局最优的不良结果。2.采用最大距离法来选取K-均值聚类算法初始中心点,使得选出的中心点能在一定程度上代表不同的簇,提高了划分初始数据集的效率,克服了K-均值聚类算法中随机选取的初始中心点很大可能过于邻近,多个初始中心被选择在同一簇中,而小簇中没有聚类种子的不好情况。另外引入特征加权的方法,区别不同特征对聚类的贡献不同,来提高聚类的有效性。

关键词：数据挖掘聚类 K-均值聚类算法初始中心特征加权

一种优化初始中心点的K-Means文本聚类算法

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

郑州大学学报（理学版） 2009年第2期41卷 29-32页

作者：朱颢东钟勇赵向辉中国科学院成都计算机应用研究所成都610041 中国科学院研究生院北京100039

为解决传统K-Means算法以及它的变种会产生较大波动的聚类结果的问题,使用改进的模拟退火算法来优化初始中心,得到一种适合对文本数据聚类分析的算法.把改进的模拟退火算法和K-Means算法结合在一起,从而达到既能发挥模拟退火算法的全局... 详细信息

为解决传统K-Means算法以及它的变种会产生较大波动的聚类结果的问题,使用改进的模拟退火算法来优化初始中心,得到一种适合对文本数据聚类分析的算法.把改进的模拟退火算法和K-Means算法结合在一起,从而达到既能发挥模拟退火算法的全局寻优能力,又可以兼顾K-Means的局部寻优能力,较好地克服了K-Means对初始化敏感、容易陷入局部最优的缺点.实验证明,该算法可以生成质量较高而且聚类质量波动性较小的结果.

关键词： K-Means算法模拟退火算法初始中心

在线全文

学校读者我要写书评

暂无评论

初始中心点优化的K-means聚类模型

电脑迷 2016年第9期 50-51页

作者：王志春河西学院信息技术与传媒学院

1引言聚类是数据挖掘领域中的一项重要技术。聚类就是识别隐藏在数据中的类,通过聚类使得不同类中的数据对象之间具有较低的相似性,而在同一类中的数据对象之间具有较高的相似性。聚类方法大致可以分为基于划分的方法、基于层次的方法... 详细信息

1引言聚类是数据挖掘领域中的一项重要技术。聚类就是识别隐藏在数据中的类,通过聚类使得不同类中的数据对象之间具有较低的相似性,而在同一类中的数据对象之间具有较高的相似性。聚类方法大致可以分为基于划分的方法、基于层次的方法和基于网格的方法等。其中代表性的算法有K-means算法;、String算法;、CLIQUE算法;、CURE算法;和DBSCAN算法;等。K-means是聚类分析中基于划分的聚类算法,该算法是一种确定k个中心

关键词：聚类中心随机选取数据集合初始中心 K-means 算法数据对象

基于UPGMA的优化初始中心K-means算法研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算机技术与发展 2018年第2期28卷 50-53,58页

作者：张锐王义武朱啸龙殷俊韩晨杨余旺南京理工大学计算机科学与工程学院江苏南京210000

为了弥补传统K-means算法聚类效果严重依赖于初始聚类中心这一不足,提出了OICC K-means算法。将不加权算术平均组对法(UPGMA)进行改进,通过该算法将密集区域的数据合并得到可以反映数据分布的若干数据点,再由最大最小距离算法从中选出... 详细信息

为了弥补传统K-means算法聚类效果严重依赖于初始聚类中心这一不足,提出了OICC K-means算法。将不加权算术平均组对法(UPGMA)进行改进,通过该算法将密集区域的数据合并得到可以反映数据分布的若干数据点,再由最大最小距离算法从中选出彼此相距较远的点,作为传统K-means算法的初始聚类中心,从而使K-means算法有一个可以反映数据分布特征的输入。在典型数据集上进行的实验发现,相较于传统K-means算法,OICC K-means算法拥有更强的聚类能力,在准确率、召回率和F-测量值方面均有明显提高。在OICC K-means算法的前两个阶段(即UPGMA算法和最大最小距离算法)产生了较理想的初始聚类中心,这些中心点选自于数据密集的区域,因此避免了噪声数据、边缘数据带来的不良影响,使得K-means算法没有陷入局部最优解而达到了整体良好的聚类效果,同时聚类中心的个数在算法中自动确定而不需要手动设置。

关键词：聚类初始中心不加权算术平均组对法最大最小距离算法 K-means算法