文献类型：期刊文章

作　　者：张阳[1] 何丽[2] 朱颢东[3]

机构地区：[1]郑州轻工业学院数学与信息科学学院,郑州450002 [2]重庆师范大学计算机与信息科学学院,重庆401331 [3]郑州轻工业学院计算机与通信工程学院,郑州450002

出　　处：《重庆师范大学学报（自然科学版）》

基　　金：河南省科技攻关项目(No.122102210024;No.102102210544);国家自然科学基金(No.61201447)

年　　份：2016

卷　　号：33

期　　号：1

起止页码：97-101

语　　种：中文

收录情况：BDHX、BDHX2014、CAB、CAS、CSCD、CSCD_E2015_2016、DOAJ、IC、JST、RCCSE、WOS、ZGKJHX、ZMATH、ZR、核心刊

摘　　要：传统的K-means算法通过不断的重复计算来完成聚类,聚类中心点的不断变化产生的一些动态变化信息将对聚类产生一定的干扰,且当数据量过大时,算法的时间开销和系统的I/O开销将大大增加,这严重影响了算法的性能。为此,论文提出一种改进的K-means动态聚类算法,该算法充分考虑了K-means聚类过程中信息的动态变化,通过为算法的终止条件设定标准值,来减少算法迭代次数,减少学习时间;通过删除由信息动态变化而产生的冗余信息,来减少动态聚类过程中的干扰,使算法达到更准确更高效的聚类效果。实验结果表明,当数据量较大时,相比于传统的K-means算法,改进后的K-means算法在准确率和执行效率上都有较大的提升。

关 键 词：K-MEANS 聚类分析 数据挖掘 动态聚类

分 类 号：TP301]