论文部分内容阅读
传统的k-means算法及改进的k-means＋＋算法中，簇的初始中心点选择都是随机的，这导致聚类结果可能陷人局部最优，使得算法对一些实际问题无效。为了克服这个缺陷，提出一种基于半径的k-means＋λ算法，在选择簇的初始中心点时，根据A参数计算各点间距离比例，并以某个特定的距离为半径作圆，在圆内根据距离比例选择一个初始化中心点。在相同的测试环境下，采用KDDCUP99数据集测试。测试结果表明，相比k-means算法和k-means＋＋算法，本算法在错误率和运算时间上具有更高的性能。