一種聚類算法的并行化研究.pdf

1、隨著計算機技術的飛速發(fā)展以及網絡的普及,人們在應用過程中產生和收集的信息在規(guī)模、范圍和深度等方面不斷擴大。這些海量的數(shù)據(jù)在組成和功能之間存在著豐富和復雜的信息,因此人們希望能夠對其進行更高層次的分析。
　　 K均值算法是基于原型的聚類技術,具有簡單、快速和有效處理大規(guī)模數(shù)據(jù)等諸多優(yōu)點,是應用最廣泛的聚類方法之一。缺點是存在過度依賴初始條件,如初始聚類中心的選取等都會影響聚類結果,制約了其應用范圍。二分K均值聚類算法是K均值算法的

2、變種算法,通過使用基本K均值算法能夠產生劃分聚類算法或層次聚類算法,具有不受初始質心選擇影響的優(yōu)點。
　　 聚類實際應用處理對象多為海量數(shù)據(jù)和高維數(shù)據(jù),具有很高的時間和空間復雜性。在處理海量TB級文本數(shù)據(jù)時,利用多臺主機組成的群集系統(tǒng),具有強大的并行計算能力。基于群集環(huán)境下的二分K均值聚類算法并行化研究,可以極大的提高工作效率,具有一定的現(xiàn)實應用意義。
　　 本文針對二分K均值聚類算法在二分聚類過程中初始質心選取速度方面