论文部分内容阅读
针对K—medoids算法需要事先给定聚类数目和初始聚类中心的问题，借助次胜者受罚竞争学习算法RPCL确定数据集的类簇数目，提出以密度RPCL作为预处理步骤的K—medoids聚类算法。通过密度RPCL算法对数据集进行处理，从而确定K—medoids算法的合理类簇数目，然后再运行改进K—medoids算法，由此提高K—medoids算法的聚类效率和聚类准确性。采用UCI机器学习数据库数据集进行实验测试，使用不同的聚类结果评价指标对实验结果进行分析，证明本文基于密度RPCL的K—medoids算法具有很好的