引入信息熵的CURE聚类算法

• 作者: 伍恒 李文杰 蒋旻
• 来源期刊: 计算机应用研究
• 关键词: 层次聚类 CURE算法 信息熵 代表点选取
• 年，卷（期）: 2017,（8）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 2303-2305
• 页数: 3页
• 分类号: TP301.6
• 语种: 中文
• DOI: 10.3969/j.issn.1001-3695.2017.08.014

摘要

为了提高传统CURE(clustering using representatives)聚类算法的质量,引入信息熵对其进行改进.该算法使用K-means算法对样本数据集进行预聚类;采用基于信息熵的相似性度量,利用簇中元素提供的信息度量不同簇之间的相互关系,并描述数据的分布;在高、低层聚类阶段,采取不同的选取策略,分别选取相应的代表点.在UCI和人造数据集上的实验结果表明,提出的算法在一定程度上提高了聚类的准确率,且在大型数据集上比传统CURE算法有着更高的聚类效率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李文杰	武汉科技大学计算机科学与技术学院	18	110	6.0	10.0
5	蒋旻	武汉科技大学计算机科学与技术学院	21	129	7.0	10.0
9	伍恒	武汉科技大学计算机科学与技术学院	1	21	1.0	1.0