文献类型：期刊文章

作　　者：王森[1] 刘琛[1] 邢帅杰[1]

Wang Sen;Liu Chen;Xing Shuaijie(School of Science,East China Jiaotong University,Nanchang 330013,China)

机构地区：[1]华东交通大学理学院,江西南昌330013

出　　处：《华东交通大学学报》

基　　金：江西省自然科学基金项目(2019ZACBL20010)。

年　　份：2022

卷　　号：39

期　　号：5

起止页码：119-126

语　　种：中文

收录情况：IC、JST、ZGKJHX、普通刊

摘　　要：聚类分析是数据挖掘的重要技术,而在5G时代,海量的数据维度高、数据集大,利用K-means算法易受离群点的影响,且K值、初始聚类中心的选取影响聚类结果的稳定性和准确率,甚至导致聚类陷入局部最优,对K-means算法的改进受到众多研究者的关注。主要对K-means聚类的研究现状进行归纳总结。首先,介绍K-means算法的思想原理;其次,针对初始聚类中心点的选取、K值确定、离群点对现有改进算法进行基于密度和距离的分类总结,并对各个改进算法的优势和缺陷进行分析;最后对K-means算法未来可能的研究方向和趋势进行展望。

关 键 词：K-MEANS 聚类算法 K值  初始聚类中心 离群点 密度  距离  

分 类 号：TP301.6]