论文部分内容阅读
传统聚类算法K-Medoids对初始点的选择具有随机性，容易产生局部最优解；替换聚类中心时采用的全局顺序替换策略降低了算法的执行效率；同时难以适应海量数据的运算；针对上述问题，提出了一种云环境下的改进K-Medoids算法，该改进算法结合密度法和最大最小原则得到优化的聚类中心，并在Canopy区域内对中心点进行替换，再采用优化的准则函数，最后利用顺序组合MapReduee编程模型的思想实现了算法的并行化扩展；实验结果表明，该改进算法与传统算法相比对初始中心的依赖降低，提高了聚类的准确性，减少了聚类的迭代次