论文部分内容阅读
目的探索同时确定K-means算法的最佳聚类数K和最佳初始聚类中心的方法,使K—means算法的聚类结果尽可能地收敛于全局最优解或近似全局最优解。方法以次胜者受罚竞争学习(Rival Penalized Competitive Learning,RPCL)作为K—means的预处理步骤,以其学习结果作为K—means的聚类数和初始聚类中心并依据数据集样本自然分布定义样本密度,将此密度引入RPCL的节点权值调整,以此密度RPCL的输出作为K.means的最佳聚类数K和最佳初始聚类中心。采用UCI机器学习数据