文档名：一种基于邻域筛选的K均值聚类优化算法
K-means聚类算法,是无监督学习中的一种重要算法,在大数据处理,计算机视觉等研究领域发挥着重要作用,但由于其自身对初始划分、离群点和噪声等因素较为敏感,造成了在数据分析,图像分割等领域中聚类结果不稳定,鲁棒性较低等特性.本文在快速全局K均值聚类算法的基础上提出了一种改进的K-means聚类算法,能够有效地降低初始划分的随机性,并且提高初始划分的效率.该算法在聚类过程中使用了马氏距离,能更好地兼顾数据的全局性,在真实数据集上进行测试,其聚类结果相比于传统聚类算法及其他优化算法都有显著的提高.
作者：韩金涛李海明曹湘
作者单位：上海电力大学计算机科学与技术学院,上海市200090
母体文献：2019年上海市“智能计算与智能电网”研究生学术论坛论文集
会议名称：2019年上海市“智能计算与智能电网”研究生学术论坛
会议时间：2019年5月17日
会议地点：上海
主办单位：上海市学位委员会
语种：chi
分类号：TP3TU3
关键词：K均值聚类优化算法 邻域筛选 初始划分 马氏距离
在线出版日期：2022年9月21日
基金项目：
相似文献
相关博文
- 文件大小:
- 782.1 KB
- 下载次数:
- 60
-
高速下载
|
|
