论文部分内容阅读
传统K-均值聚类算法的初始聚类中心是随机选择的，不同的初始聚类中心会得到不同的聚类结果，聚类结果随机性较大、稳定性差．采用局部离群指数优化K-均值聚类算法，通过计算所有数据样本的局部离群指数，选择k个相互距离最远的局部密集点作为初始聚类中心，消除局部离群点对算法的影响．实验结果证明，该算法能降低K-均值聚类算法初始聚类中心选取的敏感度，减少迭代次数，得到更为准确的聚类结果．