188宝金博页面版

  • 图案背景
  • 纯色背景
视图
标记
批注
批注本地保存成功，开通会员云端永久保存 去开通
A934869402..

上传于：2015-03-09

粉丝量：13

该文档贡献者很忙，什么也没留下。


  • 相关
  • 目录
  • 笔记
  • 书签

188宝金博页面版:更多相关文档

  • K均值聚类算法初始质心选择的改进

    星级： 3 页

  • K均值聚类算法初始质心选择的改进

    星级： 3 页

  • K均值聚类算法初始质心选择的改进

    星级： 3 页

  • K均值聚类算法初始质心选择的改进

    星级： 3 页

  • K均值聚类算法初始质心选择的改进 pdf

    星级： 4 页

  • K均值聚类算法初始质心选择的改进[1]

    星级： 3 页

  • K均值聚类算法初始聚类中心的选取与改进的中期报告.docx

    星级： 2 页

  • K均值聚类算法初始聚类中心的选取与改进的中期报告.docx

    星级： 2 页

  • 一种基于改进初始质心选择的K均值聚类方法

    星级： 6 页

  • K均值聚类算法初始聚类中心的选取与改进

    星级： 67 页

  • 基于初始点选择的K-均值聚类改进算法及应用研究开题报告

    星级： 3 页

  • 基于孤立点和初始质心选择的k均值算法的改进与应用

    星级： 5 页

  • 一种改进的k均值聚类算法

    星级： 7 页

  • 一种改进的K均值聚类算法

    星级： 7 页

  • 一种k―均值聚类的改进算法

    星级： 3 页

暂无目录

点击鼠标右键菜单,创建目录

    暂无笔记

    选择文本，点击鼠标右键菜单，添加笔记

    暂无书签

    在左侧文档中，点击鼠标右键，添加书签

    188宝金博页面版: [精品]K均值聚类算法初始质心选择的改进

    下载积分： 280

    内容提示： ? 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net收稿日期 : 2009209202 　基金项目 : 国家自然科学基金资助项目 (60970112) 。作者简介 : 孙 　 可(1979 - ) ,男 ,山东滕州人 ,沈阳师范大学编辑 ,硕士研究生 ; 刘 　杰(1957 - ) ,男 ,辽宁本溪人 ,沈阳师范大学教授 ,硕士研究生导师。第 27 卷 　 第 4 期2009 年 10 月沈阳师范大学学报(自然科学版)Journal of Shenyang Normal University ( Natural Science)Vol1 27 , No. 4Oct. 2009文章编号 : 1673 - 5862(2009) 04 - 0448 - 03K...

    文档格式：PDF | 页数：3 | 浏览次数：127 | 上传日期：2015-03-09 03:49:17 | 文档星级：
    © 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net收稿日期 : 2009209202 　基金项目 : 国家自然科学基金资助项目 (60970112) 。作者简介 : 孙 　 可(1979 - ) ,男 ,山东滕州人 ,沈阳师范大学编辑 ,硕士研究生 ; 刘 　杰(1957 - ) ,男 ,辽宁本溪人 ,沈阳师范大学教授 ,硕士研究生导师。第 27 卷 　 第 4 期2009 年 10 月沈阳师范大学学报(自然科学版)Journal of Shenyang Normal University ( Natural Science)Vol1 27 , No. 4Oct. 2009文章编号 : 1673 - 5862(2009) 04 - 0448 - 03K均值聚类算法初始质心选择的改进孙 　 可1 ,2, 刘 　 杰1, 王学颖1(1. 沈阳师范大学 科信软件学院 , 辽宁 沈阳 　 110034 ; 2. 沈阳师范大学 学报编辑部 , 辽宁 沈阳 　 110034)摘 　　　 要 : 聚类分析在信息检索和数据挖掘等领域都有很广泛的应用 , K均值聚类算法是一个比较简洁和快速的聚类算法 ,但是它存在着初始聚类个数必须事先设定以及初始质心的选择也具有随机性等缺陷 ,造成聚类的结果不是最优的 。 针对 K均值聚类算法中的随机指定初始质心的缺点 ,提出了基于密度和最近邻相似度的初始质心选择算法 ,实验显示该算法可以生成质量较高而且较稳定的聚类结果 ,但是改进的算法需要事先设定最近邻相似度的阈值计算量较大等缺点 ,还有待改进。关 　 键 　 词 : 聚类 ; K均值聚类算法 ;初始质心 ;密度 ;最近邻相似度中图分类号 : TP 301 　　　 文献标识码 : A聚类分析在很多领域都有具有广泛的应用 ,如心理学、模式识别和数据挖掘等[122]。 Han 等人归纳了 5 种聚类算法 ,有基于划分、基于层次的、基于密度的、基于网格的和基于模型的聚类算法[3 ]。 K均值聚类算法是一种基于划分的迭代的聚类算法 ,具有简洁和快速的优点。 然而 K均值聚类算法并不适合所有的数据类型 ,它不能处理非球形簇、不同尺寸和不同密度的簇。 另外其明显的缺点还有 :需要用户事先指定最终结果的聚类的个数 k ,而事先判断一个簇的划分的个数是很困难并带有很大的随意性的;即使不考虑划分的个数 k ,随机的指定 k 个初始点对最终的结果影响很大 ,不同的质心可能会导致不同的聚类结果。为了克服 K均值算法的一些缺陷 ,很多学者都试图从不同的角 度对 K 均值算法进行改进。文献[4]采用核函数代替欧氏距离计算样本间的距离对算法进行了 改进 ,文献[5210 ]也都从不同的方面对算法提出了改进方法。 笔者针对传统 K均值算法存在的问题 ,并借鉴文献[11 ]所提出的对初始质心的选择的改进 ,给出了 一种改进的基于密度及最近邻相似度的 K均值聚类算法。1 　 传统的 K均值聚类算法基本思想是把待聚类的对象划分成 k 个类 ,其中聚类的个数 k 是用户 指定的。 然后通过迭代进行调整对象所属的类的方式进行聚类 , 当算法收敛到各个组中的对象不再发生变化时 , 结束迭代过程 ,即完成聚类。 算法具体操作过程是 :首先用户从待聚类的对象中选择 k 个对象作为初始的质心 ;然后每个点都被划分到其最近的质心 ,而被指定到同一个质心的点集属于一个分组 , 共形成 k 个分组; 重复指派和更新步骤 , 直到分组不发生变化也就是质心不发生变化时为止。考虑邻近性度量为欧几里得距离的数据 , 较常采用 的是误差的平方和 (Sum of the SquaredError ,SSE) 作为度量聚类质量的目 标函数。 SSE定义如下 :KSSE =6i = 16x ∈Cidist ( ci, x)2(1)其中 , dist 是欧几里得空间里 2 个对象之间的标准欧几里得距离 , K 是簇的个数 , x 是对象 , Ci是第 i 个簇(分组) , ci是簇 Ci的质心。2 　 改进的 K均值聚类算法由于 K均值聚类算法对于初始质心的选择是随机的 ,这样就会导致聚类的结果可能不是最优解 ,因此初始质心的选择对于聚类结果的影响很大 ,选取好的初始质心在效率上和结果上要好于选

    阅读了该文档的用户还阅读了这些文档

    188宝金博页面版:关于我们

    188宝金博页面版:帮助中心

    188宝金博页面版:关注我们

    • 新浪微博

    关注188宝金博页面版公众号

    188宝金博页面版
    阅读
    APP
    阅读
    返回
    顶部
    188宝金博页面版官网登录在线平台入口（2026已更新）—江苏协昌电子科技股份有限公司