K-means聚類算法的改進(jìn).pdf

1、隨著計(jì)算機(jī)信息技術(shù)的迅猛發(fā)展，人們收集的數(shù)據(jù)越來越大，我們時(shí)常都會(huì)遇到像圖像、文字、視頻、音頻等各式各樣的數(shù)據(jù)，現(xiàn)在大家非常關(guān)注并且迫切希望解決的問題就是:如何快速有效地從這些龐大的數(shù)據(jù)中挖掘出其有用的信息或者知識，為學(xué)科的發(fā)展做出貢獻(xiàn)。由此，數(shù)據(jù)挖掘在這種大背景下應(yīng)運(yùn)而生，它提供了很多有效的方法以及可行的工具來解決人們的需求。在數(shù)據(jù)挖掘領(lǐng)域中，聚類技術(shù)是非常重要的無監(jiān)督學(xué)習(xí)方法。近些年來，人們對聚類分析技術(shù)做了重點(diǎn)的研究及改進(jìn)，由此可

2、見，人們對它越來越重視了。聚類技術(shù)在某些理論方面以及某些應(yīng)用方面都取得了不錯(cuò)的成績。現(xiàn)在，聚類分析技術(shù)已經(jīng)在各個(gè)方面得到了廣泛的應(yīng)用，比如在模式識別、機(jī)器學(xué)習(xí)、文本分類、圖像處理、市場營銷、科學(xué)統(tǒng)計(jì)等領(lǐng)域上。
　　常見的聚類方法有:層次方法、劃分方法、網(wǎng)格方法、密度方法、模型方法。其中最著名的就是基于劃分的k-means聚類算法。雖然k-means聚類算法具有簡單、快速、有效等諸多優(yōu)點(diǎn)，但還是有很多方面的不足或者說缺陷，比如說，算

3、法初始值的選取具有依賴性和敏感性，重復(fù)計(jì)算每個(gè)數(shù)據(jù)對象到聚類中心的距離，導(dǎo)致了運(yùn)行時(shí)間的增加等。針對以上的不足，本文所做的主要工作如下:
　　1.針對k-means聚類算法對初始值的選取具有依賴性和較強(qiáng)的敏感性等問題，本文提出了一種改進(jìn)的k-means聚類算法，主要用于解決傳統(tǒng)k-means聚類算法隨機(jī)選取初始聚類中心的問題，其核心在于改進(jìn)k-means聚類算法對于初始值的依賴關(guān)系。本文選取的初始聚類數(shù)目為√N(yùn)，利用分合并策略來進(jìn)

4、行類別的合并，該算法的聚類數(shù)目不要求用戶預(yù)先給定出來，分合并后數(shù)據(jù)集類別的實(shí)驗(yàn)結(jié)果跟傳統(tǒng)k-means聚類算法的實(shí)驗(yàn)結(jié)果進(jìn)行對比，可以得到高質(zhì)量的聚類結(jié)果。
　　2.針對k-means聚類算法存在的重復(fù)計(jì)算每個(gè)數(shù)據(jù)對象到聚類中心的距離、導(dǎo)致運(yùn)行時(shí)間的增加等問題，本文分析了其中的原因，比如計(jì)算出k-means聚類算法在每一次迭代中的每個(gè)數(shù)據(jù)對象到聚類中心的距離，這就使得聚類效率不高。為此，本文提出了一種改進(jìn)的k-means聚類算法用