免费论文摘要：K-均值聚类算法接洽

暂时，对于聚类题目的接洽一致生存于社会生存中的各个范围，如形式辨别、图像处置、呆板进修和统计学等。对于对生存中形形色色的数据的聚类分门别类题目仍旧变成稠密鸿儒的接洽热题之一。聚类和分门别类的辨别在乎，聚类没有任何先验常识可循，要经过数据自己的特性，将数据机动的分别到各别的类型中。聚类的基础情势设置为“在已给的数据汇合中探求数据点集的同类汇合。每一个汇合叫作一个类，并决定了一个地区，在地区中东西的密度高于其余地区中的密度。”聚类本领有很多种，个中最大略的情势便是分别式聚类，分别式聚类试图将给定的数据汇合分隔成不订交的子集，使简直的聚类规则是最优的。本质中运用最普遍的规则是聚类缺点平方和规则，即对于每一个点都计划它到相映的聚类重心点的平方隔绝，并对数据汇合上的一切点的隔绝举行乞降。一种最时髦的鉴于最小聚类缺点平法和的聚类本领是K-均值算法。但是，K-均值算法是一个限制探求的算法，它生存少许重要的不及，比方K值须要预先决定、聚类截止的是非依附于初始点的采用。为领会决那些题目， 这个范围的接洽者开拓了很多其余的少许本领，试图鉴于全部最优化的本领来处置聚类题目（比方模仿退火算法、遗传算法等）。但是那些本领并没有获得普遍的承认，在很多本质运用中运用最多的仍旧重复运用K-均值算法。K-均值算法是一种鉴于分别的聚类算法，它经过连接的迭代来举行聚类，当算法抑制到一个中断前提时就中断迭代进程，输入聚类截止。因为其算法思维简单，又简单实行对大范围数据的聚类，所以K-均值算法已变成一种最常用的聚类算法之一。K-均值算法能找到对于聚类缺点的限制的最优解，是一个能运用在很多聚类题目上的赶快迭代算法。它是一种以点为普通的聚类算法，以随机采用的初始点为聚类重心，迭代地变换聚类重心来使聚类缺点最小化。这种本领最重要的不及即是对于初始聚类重心点场所的采用敏锐。所以，为特出到好像最优解，初始聚类重心的场所必需安置的有分别。正文就K-均值聚类算法的聚类截止依附于初始重心，并且常常抑制于限制最优解，而非全部最优解，以及聚类类型数K须要事前给定这两大遗憾打开接洽。提出了辨别处置这两个题目的算法各一个。开始，正文将Hae-Sang等人的赶快K-重心点算法决定初始重心点的思维运用于Aristidis Likas的全部K-均值聚类算法中下一个簇的初始重心采用上，提出一种矫正的全部K-均值聚类算法，试图探求一个范围样品点散布比拟聚集，且隔绝现有簇的重心都较远的样品点，将其动作下一个簇的最好初始重心。经过对UCI呆板进修数据库数据及人为随机模仿数据的尝试，表明正文算法与Aristidis Likas的全部K-均值聚类算法和赶快全部K-均值聚类算法比，在不感化聚类缺点平方和的基础下，聚类功夫更短，具备更好的本能。同声，正文引见了自构造特性映照搜集（Self-Organizing Feature Map，SOFM）的关系实质，SOFM搜集是将多维数据映照到低维准则网格中，不妨灵验的举行大范围的数据发掘，其特性是速率快，然而分门别类的精度不高。而K-均值聚类算法，是一种经过连接迭代安排聚类质心的算法，其特性是精度高，重要用来中少量据集的分门别类，然而聚类速率比拟慢。所以，正文在领会了鉴于自构造特性映照搜集聚类的进修进程，权系数自构造进程中邻域因变量，以及进修步长的普遍取值题目后，给出了鉴于自构造特性映照搜集聚类实行的简直算法，将自构造特性搜集与K-均值聚类算法相贯串，提出了一种鉴于自构造映照搜集的聚类本领，来实行对输出形式举行聚类，实行K-均值聚类算法的聚类类型数的机动决定。同声经过试验举行仿真实行，表明该算法的灵验性。

来源：半壳优胜育转载请保留出处和链接！

本文链接：http://www.87cpy.com/248408.html