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。