论文部分内容阅读
针对k-medoids算法对初始聚类中心敏感，聚类精度较低及收敛速度缓慢的缺点，提出一种基于密度初始化、密度迭代的搜索策略和准则函数优化的方法。该算法初始化是在高密度区域内选择k 个相对距离较远的样本作为聚类初始中心，有效定位聚类的最终中心点；在k个与初始中心点密度相近的区域内进行中心点替换，以减少候选点的搜索范围；采用类间距和类内距加权的均衡化准则函数，提高聚类精度。实验结果表明，相对于传统的k-mediods 算法及某些改进算法，该算法可以提高聚类质量，有效缩短聚类时间。