K-Means聚類算法的研究與改進.pdf

1、數據挖掘是一種提取出隱含在大量數據中的潛在的、有用的信息并被人們識別、處理的數據庫中的知識發(fā)現(Knowledge Discovery in Database)。數據挖掘技術結合了模式識別、數據庫、統(tǒng)計學、機器學習和人工智能等多個領域的一種新興的交叉的學科技術。數據挖掘有多個研究方向，包括分類、聚類、關聯(lián)規(guī)則挖掘等。聚類分析是數據挖掘領域中的一個比較熱門的研究方向。聚類分析是要達到這樣一種目的，將數據對象進行劃分成不同的簇使得同一個簇中

2、的數據對象具有較高的相似度，不同簇中的數據對象的相似度較低。
　　 目前為止，聚類分析算法一般有以下五種分類：基于劃分的聚類算法、基于層次的聚類算法、基于密度的聚類算法、基于網格的聚類算法和基于模型的聚類方法。聚類算法在商務、市場分析、生物學以及文檔分類等領域有著廣泛的應用。另外，聚類算法不僅可以作為發(fā)現數據庫中數據分布的深層次信息的工具，還可以作為數據挖掘中的一個預處理步驟。因此，研究聚類分析算法有著十分重要的意義。
　

3、　 K-Means算法是基于劃分的聚類算法中的一個典型算法。該聚類算法的一個最大的優(yōu)點就是操作簡單、采用誤差平方和的準則函數、對大數據集的處理上有較高的可伸縮性和高效性。但是該算法存在著一定的缺陷：首先起初需要指定k值表示聚類個數；其次它比較敏感于聚類中心初值的選取問題；第三算法也極其容易的陷入局部的最優(yōu)解；最后它只能發(fā)現球狀的簇。K-Means算法采取隨機選取初始聚類中心，因此，一旦聚類中心選取不當，將會得到一個不合理的聚類結果。本

4、文針對聚類算法的結果對初始聚類中心依賴性的問題，對初始聚類中心選取的方法給出了分析與研究，并針對初始聚類中心選取的方法提出了兩種新的算法。本文工作主要包括：
　　 1.首先介紹了數據挖掘的研究意義與聚類分析的研究背景和研究方向。
　　 2.數據挖掘中的聚類分析算法的研究。包括現有的聚類分析算法有哪些，聚類的概念和形式描述、聚類分析中的數據類型和數據結構、數據的標準化、聚類分析的相似度度量、聚類分析中的準則函數和聚類分析的

5、一般步驟等。
　　 3.研究了K-Means算法的基本思想和原理，同時分析了K-Means算法的優(yōu)缺點，研究了現有的針對K-Means算法初值選取的改進的措施。
　　 4.針對K-Means算法對初值依賴性的缺點，給出了兩種改進初始聚類中心選取的算法，主要的研究成果和內容集中在以下兩個方面：
　　 (1)基于坐標旋轉的思路，針對K-Means算法隨機選擇初始聚類中心導致聚類結果不穩(wěn)定的情況，提出了一種基于坐標旋轉