K均值聚類算法初始聚類中心的選取與改進.pdf

1、進入二十一世紀以來，科學技術的不斷發(fā)展，使得數(shù)據(jù)挖掘技術得到了學者越來越多的關注。數(shù)據(jù)挖掘是指從數(shù)據(jù)庫中發(fā)現(xiàn)隱含在大量數(shù)據(jù)中的新穎的、潛在的有用信息和規(guī)則的過程，是一種處理數(shù)據(jù)庫數(shù)據(jù)的知識發(fā)現(xiàn)(KnowledgeDiscovery in Database)。數(shù)據(jù)挖掘一種新興的交叉的學科技術，涉及了模式識別、數(shù)據(jù)庫、統(tǒng)計學、機器學習和人工智能等多個領域。分類、聚類、關聯(lián)規(guī)則是數(shù)據(jù)挖掘技術三個主要的研究領域。在數(shù)據(jù)挖掘的三個主要研究領域中，

2、聚類是其中一個重要研究領域，對它進行深入研究不僅有著重要的理論意義，而且有著重要的應用價值。聚類分析是基于物以類聚的思想，將數(shù)據(jù)劃分成不同的類，同一個類中的數(shù)據(jù)對象彼此相似，而不同類中的數(shù)據(jù)對象的相似度較低，彼此相異。目前，聚類分析已經(jīng)廣泛地應用于模式識別、數(shù)據(jù)分析、圖像處理以及市場研究等。
　　聚類算法是聚類分析的重點研究內(nèi)容，目前主要有五種聚類算法:基于劃分的聚類算法、基于網(wǎng)格的聚類算法、基于密度的聚類算法、基于層次的聚類算法

3、、基于模型的聚類算法。傳統(tǒng)的K均值聚類算法(K-Means)是一種典型的基于劃分的聚類算法，該聚類算法的最大的優(yōu)點就是操作簡單，并且K均值聚類算法的可伸縮性較好，可以適用于大規(guī)模的數(shù)據(jù)集。但是K均值聚類算法一個最主要的缺陷就是:算法隨機選取初始聚類中心，聚類結果往往會陷入局部最優(yōu)解。論文針對此缺點提出了兩種改進的聚類算法。
　　論文在對現(xiàn)有聚類算法進行詳細的分析和總結基礎上，針對K均值聚類算法隨機選取初始聚類中心的不足之處，提出了