K-means聚類算法的改進.pdf

1、隨著計算機信息技術的迅猛發(fā)展，人們收集的數據越來越大，我們時常都會遇到像圖像、文字、視頻、音頻等各式各樣的數據，現在大家非常關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據中挖掘出其有用的信息或者知識，為學科的發(fā)展做出貢獻。由此，數據挖掘在這種大背景下應運而生，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。在數據挖掘領域中，聚類技術是非常重要的無監(jiān)督學習方法。近些年來，人們對聚類分析技術做了重點的研究及改進，由此可

2、見，人們對它越來越重視了。聚類技術在某些理論方面以及某些應用方面都取得了不錯的成績?，F在，聚類分析技術已經在各個方面得到了廣泛的應用，比如在模式識別、機器學習、文本分類、圖像處理、市場營銷、科學統(tǒng)計等領域上。
　　常見的聚類方法有:層次方法、劃分方法、網格方法、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，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，重復計算每個數據對象到聚類中心的距離，導致了運行時間的增加等。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的敏感性等問題，本文提出了一種改進的k-means聚類算法，主要用于解決傳統(tǒng)k-means聚類算法隨機選取初始聚類中心的問題，其核心在于改進k-means聚類算法對于初始值的依賴關系。本文選取的初始聚類數目為√N，利用分合并策略來進

4、行類別的合并，該算法的聚類數目不要求用戶預先給定出來，分合并后數據集類別的實驗結果跟傳統(tǒng)k-means聚類算法的實驗結果進行對比，可以得到高質量的聚類結果。
　　2.針對k-means聚類算法存在的重復計算每個數據對象到聚類中心的距離、導致運行時間的增加等問題，本文分析了其中的原因，比如計算出k-means聚類算法在每一次迭代中的每個數據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的k-means聚類算法用