基于统计距离和极大极小值的改进K-means算法研究

• 作者: 刘钢 李宗辰
• 来源期刊: 电脑知识与技术：学术交流
• 学科: 工学
• 关键词: 聚类 K-MEANS算法 初始聚类中心 孤立点排除
• 年，卷（期）: 2017,（4X）
• 页码范围: 215-217
• 页数: 3页
• 分类号: TP311.13

摘要

该文在通过对传统K-means算法的深入研究后发现,数据集中存在着孤立点和算法的初始聚类中心选取是否合理都将会严重影响算法最终的聚类结果的质量。于是,该文针对K-means算法以上两点问题做出了优化,给出了一种基于统计距离和极大极小值原则的改进K-means算法(KSDM)。KSDM算法首先采用一种基于统计距离的孤立点检测算法对数据集中的数据进行检测,然后再通过基于极大极小值原则的初始聚类中心选取算法来选取初次划分的聚类中心对数据做聚类处理。经过大量实验分析、研究、验证,KSDM算法在孤立点检测方面效果明显,同时在选取初始聚类中心的方面较元算法相比更加的合理。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘钢	长春工业大学计算机科学与工程学院	23	98	5.0	9.0
2	李宗辰	长春工业大学计算机科学与工程学院	2	1	1.0	1.0