论文部分内容阅读
针对传统聚类算法中只注重数据间的距离关系，而忽视数据全局性分布结构的问题，提出一种基于EK-medoids聚类和邻域距离的特征选择方法。首先，用稀疏重构的方法计算数据样本之间的有效距离，构建基于有效距离的相似性矩阵；然后，将相似性矩阵应用到K-medoids聚类算法中，获取新的聚类中心，进而提出EK-medoids聚类算法，可有效对原始数据集进行聚类；最后，根据划分结果所构成簇的邻域距离给出确定数据集中的属性重要度定义，应用启发式搜索方法设计一种EK-medoids聚类和邻域距离的特征选择算法，降低了聚类算法的时间复杂度。实验结果表明，该算法不仅有效地提高了聚类结果的精度，而且也可选择出分类精度较高的特征子集。