聚類問題算法研究.pdf

1、本文對幾種聚類算法進(jìn)行了研究，主要研究內(nèi)容包括： 一、針對傳統(tǒng)K-均值聚類算法的不足之處，提出一種K-均值改進(jìn)算法。聚類過程中，當(dāng)類在調(diào)整前后變動不大時，保持該類的類中心不變。因此不必重新計算該類中心及樣本與該類中心的距離。實驗表明改進(jìn)算法在保證精度的情況下，有效節(jié)省聚類時間。 二、提出一種基于粒度的層次聚類算法。該算法在一次迭代中，將距離小于某一閾值的兩個類視為當(dāng)前粒度下的鄰近類，并對所有鄰近類進(jìn)行合并。不斷重復(fù)這個過

2、程，直到滿足要求為止。實驗表明該算法較之傳統(tǒng)層次聚類算法，大大加快聚類速度。 三、CURE算法用多個點表示一個類，受其啟發(fā)，提出一種基于代表點的聚類算法。首先將大量樣本劃分成個數(shù)相對較少的原子類，然后將所有鄰近的原子類及子類合并，得到最后聚類結(jié)果。實驗證明該算法能夠識別任意形狀、大小的類別，過濾噪聲點，并具有近似線性的時間復(fù)雜度。 四、結(jié)合層次聚類與K-均值核聚類的優(yōu)點，提出一種新方法。首先抽取部分樣本，進(jìn)行層次聚類。將