自适应K-均值聚类算法  

An Adaptive K-Means Clustering Algorithm

作　　者：李玉鑑[1] 

机构地区：[1]北京工业大学计算机学院,北京,100022

出　　处：《计算机研究与发展》2007年第z2期100-104,共5页Journal of Computer Research and Development

基　　金：北京市自然科学基金项目(4052005);北京市属市管高等学校"中青年骨干教师培养计划"基金项目PHR(IHLB)

摘　　要：为了提高传统K-均值聚类的稳定性和可靠性,提出了一种自适应的K-均值聚类算法,其基本思想是通过分析样本集的最小树并切割其中所有超过一定阈值的较长边,根据样本集的结构特征事先自动地计算出合理的聚类个数和合理的初始聚类中心.理论分析和计算实验表明,该算法不仅能够保证聚类结果的惟一性,而且在样本集的各个聚类具有大致凸的形状时,如果类间距离明显大于类内距离,不需要人工选择参数就能直接获得较好的聚类结果.对于同样的数据集而言,即使选择了正确的聚类个数,传统的K-均值算法也可能给出不合理的聚类结果,因此自适应的K-均值聚类算法具有更好的性能.

关 键 词：K-均值算法 自适应 最小树 聚类个数 聚类中心 

分 类 号：TP18[自动化与计算机技术—控制理论与控制工程]