论文部分内容阅读
针对原始K均值聚类算法的局限性,设计了一种改进的K均值聚类算法,结合不同睡眠阶段的特性,实现睡眠阶段的自动分期。首先,针对原始K均值选取初始聚类中心的随机性,基于密度和距离两项指标来选取初始聚类中心,使得初始聚类中心的选择更加合理,从而提高算法的稳定性;其次,选用高斯核函数作为聚类中心更新时的权值,减少离群点对中心的影响;然后,根据不同睡眠状态的特征,设计了分步聚类处理方式;最后,定义了距离修正系数对K均值聚类的结果加以修正,使其聚类结果更符合实际睡眠状态变化规律。将改进算法分别在来自不同数据集的睡