检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于AFS优化初始聚类中心的GK聚类模型

华南理工大学学报（自然科学版） 2014年第9期42卷 65-69页

作者：汪丽娜陈晓宏华南师范大学地理科学学院∥智慧国土与资源环境研究中心广东广州510630 中山大学水资源与环境研究中心∥华南地区水循环和水安全广东普通高校重点实验室广东广州510275

Gustafson-Kessel(GK)聚类算法可以有效地搜索超椭球、平面和线型的数据类,但仍然存在对初始聚类中心较敏感、易于陷入局部最优的缺陷.为此,文中根据鱼群觅食与聚类的相似性,利用人工鱼群(AFS)算法对聚类中心进行初始化,提出了改进的G-... 详细信息

Gustafson-Kessel(GK)聚类算法可以有效地搜索超椭球、平面和线型的数据类,但仍然存在对初始聚类中心较敏感、易于陷入局部最优的缺陷.为此,文中根据鱼群觅食与聚类的相似性,利用人工鱼群(AFS)算法对聚类中心进行初始化,提出了改进的G-K聚类算法,并利用人工数据集和IRIS数据集进行仿真研究.结果表明,文中算法能有效地发现数据集中的聚类结构,聚类效果优于GK聚类算法.

关键词：聚类分析 GK聚类算法优化初始聚类中心

基于相异性度量选取初始聚类中心改进的K-means聚类算法

在线全文

学校读者我要写书评

暂无评论

控制与决策 2021年第12期36卷 3083-3090页

作者：廖纪勇吴晟刘爱莲昆明理工大学信息工程与自动化学院昆明650500

选取合理的初始聚类中心是正确聚类的前提,针对现有的K-means算法随机选取聚类中心和无法处理离群点等问题,提出一种基于相异性度量选取初始聚类中心改进的K-means聚类算法.算法根据各数据对象之间的相异性构造相异性矩阵,定义了均值相... 详细信息

选取合理的初始聚类中心是正确聚类的前提,针对现有的K-means算法随机选取聚类中心和无法处理离群点等问题,提出一种基于相异性度量选取初始聚类中心改进的K-means聚类算法.算法根据各数据对象之间的相异性构造相异性矩阵,定义了均值相异性和总体相异性两种度量准则;然后据此准则来确定初始聚类中心,并利用各簇中数据点的中位数代替均值以进行后续聚类中心的迭代,消除离群点对聚类准确率的影响.此外,所提出的算法每次运行结果保持一致,在初始化和处理离群点方面具有较好的鲁棒性.最后,在人工合成数据集和UCI数据集上进行实验,与3种经典聚类算法和两种优化初始聚类中心改进的K-means算法相比,所提出的算法具有较好的聚类性能.

关键词：聚类分析 K-means算法初始聚类中心离群点相异性度量鲁棒性

基于平均差异度优选初始聚类中心的改进K-均值聚类算法

在线全文

学校读者我要写书评

暂无评论

控制与决策 2017年第4期32卷 759-762页

作者：李武赵娇燕严太山湖南理工学院信息与通信工程学院湖南岳阳414006

针对K-均值聚类算法对初始聚类中心存在依赖性的缺陷,提出一种基于数据空间分布选取初始聚类中心的改进算法.该算法首先定义样本距离、样本平均差异度和样本集总体平均差异度;然后将每个样本按平均差异度排序,选择平均差异度较大且与已... 详细信息

针对K-均值聚类算法对初始聚类中心存在依赖性的缺陷,提出一种基于数据空间分布选取初始聚类中心的改进算法.该算法首先定义样本距离、样本平均差异度和样本集总体平均差异度;然后将每个样本按平均差异度排序,选择平均差异度较大且与已选聚类中心的差异度大于样本集总体平均差异度的样本作为初始聚类中心.实验表明,改进后的算法不仅提高了聚类结果的稳定性和正确率,而且迭代次数明显减少,收敛速度快.

关键词： K-均值聚类初始聚类中心样本差异度

在线全文

学校读者我要写书评

暂无评论

初始聚类中心优化选取的核C-均值聚类算法

计算机仿真 2009年第7期26卷 118-121页

作者：单凯晶肖怀铁国防科技大学电子科学与工程学院湖南长沙410073

在通常的核C-均值聚类算法中,聚类结果对初始聚类中心敏感,随机选取初始聚类中心时,会使得迭代次数较多、分类结果不稳定。针对该问题提出一种优化选取初始聚类中心的算法。该方法采用一种改进的最大最小距离算法对原始空间中的数据进... 详细信息

在通常的核C-均值聚类算法中,聚类结果对初始聚类中心敏感,随机选取初始聚类中心时,会使得迭代次数较多、分类结果不稳定。针对该问题提出一种优化选取初始聚类中心的算法。该方法采用一种改进的最大最小距离算法对原始空间中的数据进行粗分类,将粗分类结果中每类类心作为初始聚类中心,再运用核C-均值聚类算法进行分类。仿真实验结果表明方法能有效减少迭代次数,使分类结果更加稳定,分类识别率也有一定程度的提高。

关键词：核函数初始聚类中心最大最小距离法

在线全文

学校读者我要写书评

暂无评论

初始聚类中心优化的K-means改进算法

初始聚类中心优化的K-means改进算法

作者：张永晶东北师范大学

学位级别：硕士

从庞大而复杂的数据中分析和提取出对用户有利用价值的信息的过程称为数据挖掘。数据挖掘的一个重要分支为聚类分析，聚类分析能够按照数据对象间的相似度将数据分成若干类或簇。它既可以作为其它数据挖掘算法的预处理步骤，也可以独立... 详细信息

从庞大而复杂的数据中分析和提取出对用户有利用价值的信息的过程称为数据挖掘。数据挖掘的一个重要分支为聚类分析，聚类分析能够按照数据对象间的相似度将数据分成若干类或簇。它既可以作为其它数据挖掘算法的预处理步骤，也可以独立作为发现隐藏信息的数据挖掘方法。K-means算法被认为是聚类中最重要的无监督机器学习方法。它是一种划分聚类算法，将全部数据分为k个相互差异很大的子类，通过不断的迭代，使得k-means算法中每个数据对象到其所在的子类的中心点的距离最小。由于k-means算法具有简单易行和效率高等优点，它被广泛应用于数据挖掘、模式识别、知识发现等许多领域。但是，k-means算法仍然存在一定的局限性，例如，聚类数k必须预先设定;对初始聚类中心极为敏感，如果初始聚类中心选择不当，算法很容易陷入局部最优解，而非全局最优解。在本文中，为减少k-means算法对初值的依赖性，提高算法有效性，我们详细探讨了初始聚类中心的优化选择问题，并提出全新的IU-M k-means算法（K-means ClusteringAlgorithm based on Improved UPGMA and Max-min Distance Algorithm），它首先采取简单随机抽样，得到简化的、数目较少的备选聚类种子集合，再结合改进的UPGMA算法和最大最小距离法寻找到最佳初始聚类中心，以改进K-means算法。一方面，该算法可以获得优化的初始聚类中心，提高聚类效果;另一方面，能够智能的判断出聚类数目k，从而较大程度上避免了初值选择的随机性。将IU-M k-means算法和基于最大最小距离的k-means算法分别应用于UCI数据库的Balance-Scale、Glass和New-thyroid三组标准数据集进行对比实验后发现，基于最大最小距离的K-means算法已经在K-means算法上进行了改进，IU-M k-means算法在此基础上进一步提升了聚类效果，具有良好的稳定性和可行性。

关键词：聚类初始聚类中心 UPGMA 最大最小距离

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

一种分类型矩阵数据的初始聚类中心选择算法

计算机工程 2020年第5期46卷 115-121页

作者：田璐曹付元余丽琴山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室太原030006

现有面向矩阵数据集的算法多数通过随机选取初始类中心得到聚类结果。为克服不同初始类中心对聚类结果的影响,针对分类型矩阵数据,提出一种新的初始聚类中心选择算法。根据属性值的频率定义矩阵对象的密度和矩阵对象间的距离,扩展最大... 详细信息

现有面向矩阵数据集的算法多数通过随机选取初始类中心得到聚类结果。为克服不同初始类中心对聚类结果的影响,针对分类型矩阵数据,提出一种新的初始聚类中心选择算法。根据属性值的频率定义矩阵对象的密度和矩阵对象间的距离,扩展最大最小距离算法,从而实现初始类中心的选择。在7个真实数据集上的实验结果表明,与初始类中心选择算法CAOICACD和BAIICACD相比,该算法均具有较优的聚类效果。

关键词：分类型矩阵矩阵对象初始聚类中心密度数据集

基于最优划分的K-Means初始聚类中心选取算法

在线全文

学校读者我要写书评

暂无评论

系统仿真学报 2009年第9期21卷 2586-2590页

作者：张健沛杨悦杨静张泽宝哈尔滨工程大学计算机科学与技术学院哈尔滨150001

针对传统K-Means算法聚类过程中,聚类数目k值难以准确预设和随机选取初始聚类中心造成聚类精度及效率降低等问题,提出一种基于最优划分的K-Means初始聚类中心选取算法,该算法利用直方图方法将数据样本空间进行最优划分,依据数据样本自... 详细信息

针对传统K-Means算法聚类过程中,聚类数目k值难以准确预设和随机选取初始聚类中心造成聚类精度及效率降低等问题,提出一种基于最优划分的K-Means初始聚类中心选取算法,该算法利用直方图方法将数据样本空间进行最优划分,依据数据样本自身分布特点确定K-Means算法的初始聚类中心,无需预设k值,减少了算法结果对参数的依赖,提高算法运算效率及准确率。实验结果表明,利用该算法改进的K-Means算法,运算时间明显减少,其聚类结果准确率以及算法效率均得到显著提高。

关键词： K—Means算法初始聚类中心直方图最优划分方法

在线全文

学校读者我要写书评

暂无评论

一种可选初始聚类中心的改进k均值算法

统计与决策 2014年第12期30卷 12-14页

作者：孟子健马江洪长安大学理学院西安710064

传统的k均值算法对初始聚类中心具有一定的敏感性,聚类结果会随着不同的初始聚类中心波动。针对这一缺点,文章提出一种选择初始聚类中心的算法,该算法首先计算数据对象两两之间的相异度函数,构造一种新的相异度矩阵,然后选取k个与其他... 详细信息

传统的k均值算法对初始聚类中心具有一定的敏感性,聚类结果会随着不同的初始聚类中心波动。针对这一缺点,文章提出一种选择初始聚类中心的算法,该算法首先计算数据对象两两之间的相异度函数,构造一种新的相异度矩阵,然后选取k个与其他数据对象相异度较低且个数最多的数据对象作为初始聚类中心。实验表明,在给定聚类个数k的情况下,这样改进后的k均值算法比随机选取初始聚类中心的传统k均值算法以及已经提出的其中一种改进的k均值算法有更高的准确率,且可消除对初始聚类中心的敏感性。

关键词： k均值算法初始聚类中心相异度矩阵

粒计算优化初始聚类中心的K-medoids聚类算法

在线全文

学校读者我要写书评

暂无评论

计算机科学与探索 2015年第5期9卷 611-620页

作者：谢娟英鲁肖肖屈亚楠高红超陕西师范大学计算机科学学院西安710062

针对快速K-medoids聚类算法所选初始聚类中心可能位于同一类簇的缺陷,以及基于粒计算的K-medoids算法构造样本去模糊相似矩阵时需要主观给定阈值的缺陷,提出了粒计算优化初始聚类中心的K-medoids聚类算法。该算法结合粒计算与最大最小... 详细信息

针对快速K-medoids聚类算法所选初始聚类中心可能位于同一类簇的缺陷,以及基于粒计算的K-medoids算法构造样本去模糊相似矩阵时需要主观给定阈值的缺陷,提出了粒计算优化初始聚类中心的K-medoids聚类算法。该算法结合粒计算与最大最小距离法,优化K-medoids算法初始聚类中心的选取,选择处于样本分布密集区域且相距较远的K个样本作为初始聚类中心;使用所有样本的相似度均值作为其构造去模糊相似矩阵的阈值。人工模拟数据集和UCI机器学习数据库数据集的实验测试表明,新K-medoids聚类算法具有更稳定的聚类效果,其准确率和Adjusted Rand Index等聚类结果评价指标值优于传统K-medoids聚类算法、快速K-medoids聚类算法和基于粒计算的K-medoids聚类算法。

关键词：粒计算初始聚类中心最大最小距离法 K-me doids聚类算法