文献类型：期刊文章

作　　者：李峰[1,2] 李明祥[1] 张宇敬[1]

LI Feng;LI Mingxiang;ZHANG Yujing(Information Management and Engineering Department,Hebei Finance University,Baoding,Hebei 071051,China;Applied Technology Research and Development CenterWisdom Finance in Hebei University,Baoding,Hebei 071051,China)

机构地区：[1]河北金融学院信息管理与工程系,河北保定071051 [2]河北省高校智慧金融应用技术研发中心,河北保定071051

出　　处：《计算机工程与应用》

基　　金：河北省教育厅青年基金(No.QN2019186);河北省教育厅重点项目(No.ZD2019136);河北省高校智慧金融研发中心项目(No.XGJ2018001)。

年　　份：2020

卷　　号：56

期　　号：13

起止页码：63-71

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD_E2019_2020、IC、JST、PROQUEST、RCCSE、ZGKJHX、核心刊

摘　　要：为了解决K-means算法在聚类数量增多的情况下,因选择了不合适的中心初值而影响到聚类效果这一问题,提出了一种局部迭代的快速K-means聚类算法(PIFKM+−)。该算法在K-means聚类的基础上,不断寻找能够被分割的聚类簇和能够被删除的聚类簇,并对受影响的局部数据进行重新聚类处理,降低了整个聚类更新的时间复杂度,提高了聚类的效果。PIFKM+−算法在面对聚类数量众多的情况下,具有能够快速更新聚类、对聚类中心初值不敏感、能够提高聚类精确度等优势。通过与K-means和K-means++两种算法的比较,在仿真数据集和真实数据集的综合实验下,验证了该算法的精确性、高效率性和可扩展性,同时实验结果的统计分析表明该算法在提高了聚类精确度的同时并没有损失太多的时间效率。

关 键 词：K-MEANS算法 聚类分割 聚类删除  局部迭代聚类  聚类邻居  

分 类 号：TP391]