由于信息技术的发展,海量数据涌现,数据挖掘已成为近年来计算机研究的重要领域。话题学习、分类、聚类、关联规则,模式学习等都属于数据挖掘的研究方向。其中,聚类分析是数据挖掘的研究热点,其目标在于多个将未知标签的对象按照一定规则分组,把它们划分为多个未知群集,在同一集群中的对象之间给予高度相似性,而一个集群中的对象与另一个集群中的对象之间存在很大差异。聚类分析主要分为基于层次聚类、基于分区聚类、基于网格聚类和基于密度聚类等。其中,k均值聚类算法属于基于分区聚类。由于k均值聚类算法原理简单、运算高效,其在各个领域的应用非常广泛。但是,对于传统的k均值算法,当算法随机选择初始簇中心点时,很容易选择到异常值点,或者选取的两个簇中心点的位置离得很近,影响最终聚类质量。对初始簇中心点选择的敏感性与不稳定性,是传统的k均值算法的一个主要缺点,也是提升k均值聚类性能的一个关键因素。本文提出一种全新的挑选初始簇中心的方法。该方法受聚类集成技术的启发,将多个弱聚类器组合成一个更好的聚类器。首先利用k均值聚类算法生成多个基聚类结果,然后使用集成聚类,比如EAC和HBGF等,将多个不稳定的基聚类成员融合成一个较好的预聚类成员,然后将该预聚类成员作用于k均值聚类算法的初始化,得到最终聚类结果。本文在实验中将预聚类结果和最终聚类结果的效果进行对比,以验明基于集成学习初始化的k均值算法性能优于普通的集成聚类算法。另外,本文也将所提出方法与其他几种选择k均值聚类算法簇中心的方法进行对比实验,验证在基于集成学习确定簇中心的方法下,k均值聚类算法更加稳健。在建立基于集成学习初始化的k均值聚类算法的基础上,本文进一步针对基聚类生成和基聚类集成的运算效率问题,研究其加速算法。为了提高运算效率,基于集成学习初始化的k均值聚类算法,提出基于降采样的加速初始化方法。具体地,首先将数据进行随机降采样预处理,进而在降采样的样本集上进行基于集成学习的初始化过程,快速得到一组簇类中心点,最后作用于k均值聚类算法中。在实验中,本文取不同的采样率,以对比加速化算法的运行时间和聚类效果。实验结果表明,随着采样率的降低,所提出聚类算法在时间耗费逐渐减轻的同时仍然保持较好的聚类性能,验证了所提出方法的算法加速效果。