论文部分内容阅读
一个好的K—means聚类算法至少要满足两个要求：（1）能反映聚类的有效性，即所分类别数要与实际问题相符；（2）具有处理噪声数据的能力。传统的K—means算法是一种局部搜索算法，存在着对初始化敏感和容易陷入局部极值的缺点。针对此缺点，提出了一种优化初始中心的K—means算法，该算法选择相距最远的处于高密度区域的k个数据对象作为初始聚类中心。实验表明该算法不仅具有对初始数据的弱依赖性，而且具有收敛快，聚类质量高的特点。为体现聚类的有效性，获得更高精度的聚类结果，提出了将优化的K—means算法（PKM）