文献类型：期刊文章

作　　者：唐东凯[1] 王红梅[1] 胡明[1,2] 刘钢[1]

TANG Dong-kai;WANG Hong-mei;HU Ming;LIU Gang(School of Computer Science ＆ Engineering,Changcinm University of Technology,Changchnn 130012,China;Changchnn Institute of Technology,Chaagchun 130021,China)

机构地区：[1]长春工业大学计算机科学与工程学院,长春130012 [2]长春工程学院,长春130021

出　　处：《小型微型计算机系统》

基　　金：吉林省科技厅发展计划项目(20160415013JH)资助;吉林省科技厅重大科技招标专项(20160203010GX)资助

年　　份：2018

卷　　号：39

期　　号：8

起止页码：1819-1823

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2017_2018、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对K-means算法对初始聚类中心和离群点敏感的缺点,提出了一种优化初始聚类中心的改进K-means算法.该算法首先计算出数据集中每个数据对象的离群因子,并根据离群因子的值对数据集进行升序排列,使得中心点的位置靠前.然后在升序排列的数据集上,引入取样因子α,得到候选初始中心点集.最后,根据最大最小距离的思想,在候选初始中心点集上选取k个数据对象作为初始聚类中心.实验结果表明,在时间基本相同的情况下,提出的改进算法相对K-means、K-means++算法具有较好的稳定性和较高的聚类准确率,并且聚类的平均迭代次数也相对较小.

关 键 词：K-MEANS算法 初始聚类中心 离群因子  取样因子  最大最小距离  

分 类 号：TP391]