优化K-means初始聚类中心研究  

Research of optimal K-means initial clustering center

作　　者：毛韶阳[1] 李肯立[2] 

机构地区：[1]湖南人文科技学院数学系,湖南娄底417000 [2]湖南大学计算机与通信学院,长沙410082

出　　处：《计算机工程与应用》2007年第22期179-181,219,共4页Computer Engineering and Applications

基　　金：国家自然科学基金(the National Natural Science Foundation of China under Grant No.60603053);国家教育部重点科技项目(the Key Technologies Project of the Ministry of Education of China No.05128)。

摘　　要：K-means算法因为对初始中心依赖性而导致聚类结果可能陷入局部极小。基于密度的多中心聚类并结合小类合并运算的聚类算法解决了计算空间上的极小化,收敛进度上得到了控制,结果明显优于K-means的聚类结果。算法的每一次迭代都是倾向于发现超球面簇,尤其对于延伸状的不规则簇具有良好的聚类能力。The K-means algorithm with the clustering dependence on the initial center may sink into the part smallest.The algorithm which using multi-centers clustering based on the density function and combining small cluster merger solves the computing space minimize,controls the rate of convergence.The experiment result surpass to K-means clustering result obviously.The every repeated operation incline toward discover super surface of sphere cluster.The algorithm has better clustering ability particularly to the irregular and extendable center.

关 键 词：聚类算法 K-MEANS 多中心聚类算法(MCA) 小类合并 

分 类 号：TP301[自动化与计算机技术—计算机系统结构]