聚類問(wèn)題算法研究.pdf

1、本文對(duì)幾種聚類算法進(jìn)行了研究，主要研究?jī)?nèi)容包括： 一、針對(duì)傳統(tǒng)K-均值聚類算法的不足之處，提出一種K-均值改進(jìn)算法。聚類過(guò)程中，當(dāng)類在調(diào)整前后變動(dòng)不大時(shí)，保持該類的類中心不變。因此不必重新計(jì)算該類中心及樣本與該類中心的距離。實(shí)驗(yàn)表明改進(jìn)算法在保證精度的情況下，有效節(jié)省聚類時(shí)間。 二、提出一種基于粒度的層次聚類算法。該算法在一次迭代中，將距離小于某一閾值的兩個(gè)類視為當(dāng)前粒度下的鄰近類，并對(duì)所有鄰近類進(jìn)行合并。不斷重復(fù)這個(gè)過(guò)

2、程，直到滿足要求為止。實(shí)驗(yàn)表明該算法較之傳統(tǒng)層次聚類算法，大大加快聚類速度。 三、CURE算法用多個(gè)點(diǎn)表示一個(gè)類，受其啟發(fā)，提出一種基于代表點(diǎn)的聚類算法。首先將大量樣本劃分成個(gè)數(shù)相對(duì)較少的原子類，然后將所有鄰近的原子類及子類合并，得到最后聚類結(jié)果。實(shí)驗(yàn)證明該算法能夠識(shí)別任意形狀、大小的類別，過(guò)濾噪聲點(diǎn)，并具有近似線性的時(shí)間復(fù)雜度。 四、結(jié)合層次聚類與K-均值核聚類的優(yōu)點(diǎn)，提出一種新方法。首先抽取部分樣本，進(jìn)行層次聚類。將