文献类型：期刊文章

作　　者：雷小锋[1] 谢昆青[1] 林帆[1] 夏征义[2]

机构地区：[1]北京大学信息科学技术学院智能科学系/视觉与听觉国家重点实验室 [2]中国人民解放军总后勤部后勤科学研究所,北京100071

出　　处：《软件学报》

基　　金：the National High-Tech Research and Development Plan of China under Grant No.2006AA12Z217(国家高技术研究发展计划(863));the Foundation of China University of Mining and Technology under Grant No.OD080313(中国矿业大学科技基金)

年　　份：2008

卷　　号：19

期　　号：7

起止页码：1683-1692

语　　种：中文

收录情况：AJ、BDHX、BDHX2004、CSA、CSA-PROQEUST、CSCD、CSCD2011_2012、EI、IC、INSPEC、JST、MR、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：K-Means聚类算法只能保证收敛到局部最优,从而导致聚类结果对初始代表点的选择非常敏感.许多研究工作都着力于降低这种敏感性.然而,K-Means的局部最优和结果敏感性却构成了K-MeanSCAN聚类算法的基础.K-MeanSCAN算法对数据集进行多次采样和K-Means预聚类以产生多组不同的聚类结果,来自不同聚类结果的子簇之间必然会存在交集.算法的核心思想是,利用这些交集构造出关于子簇的加权连通图,并根据连通性合并子簇.理论和实验证明,K-MeanScan算法可以在很大程度上提高聚类结果的质量和算法的效率.

关 键 词：K-MeanSCAN  基于密度 K-MEANS 聚类:连通性  

分 类 号：TP18]