一种改进K-means聚类算法的MapReduce并行化实现

• 作者: 栗国保 韩青菊
• 来源期刊: 数字技术与应用
• 学科: 工学
• 关键词: MapReduce模型 K-means 分布式聚类
• 年，卷（期）: 2016,（12）
• 所属期刊栏目: 算法分析
• 页码范围: 134,136
• 页数: 2页
• 分类号: TP301
• 字数: 1552字
• 语种: 中文

摘要

针对K-means聚类算法对初始聚类中心点的选择较敏感的问题,本文借鉴最大最小距离的思想,提出了一种改进的K-means聚类算法.该算法通过优化初始聚类中心点来减少算法的迭代次数,提高聚类的性能.采用MapReduce编程模型,将改进的K-means聚类算法并行化设计,使用局部和全局的方法处理数据集,改变了传统分布式K-means聚类算法的工作方式,有效的降低了算法执行过程中的通信开销.实验结果表明改进K-means算法的并行化实现具有良好的加速比.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	韩青菊	江西理工大学信息工程学院	3	3	1.0	1.0
2	栗国保	江西理工大学信息工程学院	1	1	1.0	1.0