文献类型：期刊文章

作　　者：王熙照[1] 王亚东[2] 湛燕[1] 袁方[1]

机构地区：[1]河北大学数学与计算机科学学院机器学习研究中心,保定071002 [2]哈尔滨工业大学计算机科学与工程学院,哈尔滨150001

出　　处：《计算机研究与发展》

基　　金：国家自然科学基金 ( 69975 0 0 5 ;60 2 730 83);河北省自然科学基金 ( 698139);河北省教育厅科研计划项目 ( 2 0 0 12 0 6)

年　　份：2003

卷　　号：40

期　　号：6

起止页码：869-873

语　　种：中文

收录情况：AJ、BDHX、BDHX2000、CSA-PROQEUST、CSCD、CSCD2011_2012、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：K 均值 (K means)算法聚类的结果依赖于距离度量的选取 传统的K 均值算法选择的相似性度量通常是欧几里德距离的倒数 ,这种距离通常涉及所有的特征 在距离公式中引入一些特征权参数后 ,其聚类结果将依赖于这些权值 ,从而可以通过调整这些权值优化聚类效果 由于K 均值算法是迭代算法 ,很难直接确定其权值以优化聚类结果 ,因此提出了一种间接的学习权值算法以改进聚类结果 从数学意义上讲 ,这种权值学习相当于欧氏空间中对一组点进行了一个线性变换

关 键 词：K-均值聚类 相似度量 特征权值 梯度下降技术  

分 类 号：TP181] TP311]