基于離散量改進k-means初始聚類中心選擇的算法
大小：0.40 MB 人氣： 2017-11-20 需要積分：0
傳統kmeans算法由于初始聚類中心的選擇是隨機的，因此會使聚類結果不穩定。針對這個問題，提出一種基于離散量改進k-means初始聚類中心選擇的算法。算法首先將所有對象作為一個大類，然后不斷從對象數目最多的聚類中選擇離散量最大與最小的兩個對象作為初始聚類中心，再根據最近距離將這個大聚類中的其他對象劃分到與之最近的初始聚類中，直到聚類個數等于指定的足值。最后將這是個聚類作為初始聚類應用到k -means算法中。將提出的算法與傳統k-means算法、最大最小距離聚類算法應用到多個數據集進行實驗。實驗結果表明，改進后的k-means算法選取的初始聚類中心唯一，聚類過程的迭代次數也減少了，聚類結果穩定且準確率較高。
?
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
基于離散量改進k-means初始聚類中心選擇的算法下載
相關電子資料下載
- 對新輔助TCHP治療響應的HER2+乳腺癌空間蛋白質組特征 547
- 使用輪廓分數提升時間序列聚類的表現 316
- 基于K-means聚類算法的圖像分割 1113
- 介紹一種基于最小化平方誤差的聚類算法 498
- 介紹一種基于分層聚類方法的木馬通信行為檢測模型 1060
- 深度學習聚類的綜述 780
- 聚類分析中的機器學習與統計方法綜述（二） 679
- 如何在 Python 中安裝和使用頂級聚類算法 415
- 聚類分析中的機器學習與統計方法綜述（一） 638
- 物體檢測與跟蹤算法 974