空间密度相似性度量K-means算法

• 作者: 任守纲 徐焕良 杨荣丽 薛卫 赵南
• 来源期刊: 小型微型计算机系统
• 学科: 工学
• 关键词: K-means 非簇型 初始聚类中心 相似性度量
• 年，卷（期）: 2018,（1）
• 所属期刊栏目: 人工智能与算法研究
• 页码范围: 53-57
• 页数: 5页
• 分类号: TP311
• 字数: 5127字
• 语种: 中文

摘要

传统K-means算法的缺陷有初始聚类中心选择的不稳定、聚类效果对初始聚类中心过于依赖、非簇型数据集分类效果不佳等问题.为克服以上不足,本文提出空间密度相似性度量K-means算法.该算法采用可伸缩空间密度的相似性距离度量数据点间的相似度,并将密度和距离共同作为选择新初始聚类中心的相关因子,以及根据类内距离进行迭代的一种新的类中心迭代模型.在非簇型人工数据集和UCI标准数据集上的实验证明,与传统及其他改进K-means算法相比,本文提出的算法可得到更加合理的初始聚类中心,能反映任意形状的复杂数据集分布规律,算法更加稳定、准确.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	徐焕良	南京农业大学信息科学技术学院	79	651	14.0	23.0
2	任守纲	南京农业大学信息科学技术学院	54	499	12.0	21.0
3	薛卫	南京农业大学信息科学技术学院	24	120	6.0	10.0
4	杨荣丽	南京农业大学信息科学技术学院	2	17	2.0	2.0
5	赵南	南京农业大学信息科学技术学院	5	27	3.0	5.0