文献类型：期刊文章

作　　者：张佳[1] 杨呈永[2] 崔建明[3] 智春[1]

ZHANG Jia;YANG Cheng-yong;CUI Jian-ming;ZHI Chun(College of Information Science and Engineering,Guilin University of Technology,Guilin 541006,China;Modern Educational Technology Center,Guilin University of Technology,Guilin 541006,China;College of Continuing Education,Guilin University of Technology,Guilin 541006,China)

机构地区：[1]桂林理工大学信息科学与工程学院,广西桂林541006 [2]桂林理工大学现代教育技术中心,广西桂林541006 [3]桂林理工大学继续教育学院,广西桂林541006

出　　处：《桂林理工大学学报》

基　　金：广西自然科学基金项目(2018GXNSFA281235);广西高校中青年教师科研基础能力提升项目(2018KY0252);赛尔网络下一代互联网技术创新项目(NGII20180512)。

年　　份：2022

卷　　号：42

期　　号：2

起止页码：502-506

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、JST、ZGKJHX、核心刊

摘　　要：针对传统K-means算法初始中心选取的随机性导致算法聚类效果不佳的问题,提出一种基于网格密度距离的K-means算法,即GDD-K-means。该算法先把数据点放入网格空间内,以网格为单元进行数据处理,遍历网格得到网格密度,根据密度阈值筛选出高密度网格并进行降序排序;再在高密度网格中引入K-means++思想,选取k个距离较远的网格点;最后进行K-means算法聚类的k个初始中心点将确定在上述网格点中。仿真实验结果表明,GDD-K-means算法减少了聚类中心选取的随机性,改善了聚类的效果。

关 键 词：K-MEANS聚类 网格 密度  初始中心  

分 类 号：TP391]