文献类型：期刊文章

作　　者：林涛[1] 赵璨[1]

LIN Tao;ZHAO Can(School of Computer Science and Engineering,Hebei University of Technology,Tianjin 300401,China)

机构地区：[1]河北工业大学计算机科学与软件学院

出　　处：《计算机科学》

基　　金：天津市自然科学基金重点项目(13jczdjc34400);河北省科技计划项目(17214304D);天津市科技重大专项(14ZCDZGX00818)资助

年　　份：2019

卷　　号：46

期　　号：S11

起止页码：216-219

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：传统的k-means算法不论其数据样本的分布情况,将簇边缘位置、簇中心位置、离群点的数据样本全部按照最小距离原则,划分到离它最近的聚类中心所在簇中,没有考虑数据样本与其他簇之间的关系。如果数据样本与另一簇中心的距离接近于最小距离,则此数据样本与两个簇的关系都很大,显然这样直接划分并不合理。针对此问题,文中提出了最近邻优化的k-means聚类算法。运用近邻的思想,将这些不“很属于”某簇的数据样本划分到其最近邻数据样本所在的簇中,实验结果表明,这种最近邻优化的k-means聚类算法有效地减少了算法的迭代次数,提高了算法的聚类准确度,得到了良好的聚类效果。

关 键 词：K-MEANS 分布  关系  簇  最近邻

分 类 号：TP181]