聚类分析是数据挖掘中的一个重要研究领域,面对大规模的、高维的数据,如何建立有效的聚类算法是一个研究热点。聚类将数据对象分组成若干个类或簇,使得在同一个簇中的对象尽可能相似,而不同簇中的对象尽可能相异,是一种无监督的分类方法。对聚类算法的进一步优化研究不仅有助于算法理论的完善,更有助于算法的推广和应用。 顺序聚类算法不需要提前确定聚类个数,并且是一种非常直接和快速的算法。但是当处理海量数据时,时间效率仍然有待提高。针对此问题,本文在两个阈值的顺序聚类算法TTSAS的基础上,提出一种新的顺序算法TI_TTSAS。该算法应用三角不等式原理,避免了TTSAS算法中冗余的距离计算。实验结果证明TI_TTSAS算法相对于TTSAS算法,在效率上有很大程度的提高,尤其对于高维的大规模数据集,效果更是显著,随着聚类个数的增加,TI_TTSAS算法更有优越性。并且聚类效果保持了TTSAS算法的准确性。 三角不等式原理不仅可以改进顺序算法,只要基于欧式距离度量不相似性的聚类算法,都可以通过三角不等式原理避免冗余的距离计算。k-means是一种基于划分的聚类算法,本文同样利用三角不等式原理节省了运行时间。实验结果证明,该原理对k-means算法的改进效果更是显著。