论文部分内容阅读
针对K-means对初始聚类中心敏感和易陷入局部最优的缺点,提出了一种改进的基于粒子群的聚类算法。该算法结合基于密度和最大最小距离法来确定初始聚类中心,解决K—means对初始值敏感的问题;利用粒子群算法全局寻优能力强的优点,避免K-means陷入局部最优。通过对样本集各维属性的规范化处理,惯性权值采用凹函数递减,计算相异度矩阵,引入用群体适应度方差,进一步优化混合算法。实验结果表明,该算法具有更高的准确率和更强的收敛能力。