基于代表点的快速聚类算法

doi:10.3778/j.issn.1002-8331.2010.33.034

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (33): 121-123.DOI: 10.3778/j.issn.1002-8331.2010.33.034

• 数据库、信号与信息处理 • 上一篇下一篇

基于代表点的快速聚类算法

贾瑞玉，耿锦威，宁再早，何成刚

安徽大学计算机科学与技术学院，合肥 230039

收稿日期:2010-05-24 修回日期:2010-08-27 出版日期:2010-11-21 发布日期:2010-11-21
通讯作者: 贾瑞玉

Fast clustering algorithm based on representative points

JIA Rui-yu，GENG Jin-wei，NING Zai-zao，HE Cheng-gang

School of Computer Science and Technology，Anhui University，Hefei 230039，China

Received:2010-05-24 Revised:2010-08-27 Online:2010-11-21 Published:2010-11-21
Contact: JIA Rui-yu

摘要/Abstract

摘要： 针对传统的层次聚类算法每次迭代只将距离最小的那对类簇合并，容易受离群点影响，偏向于发现凸状或球状簇等缺点，受CURE算法启发，采用簇中固定数量代表点来代表簇对象进行距离的计算，并结合90_10规则，提出了一种改进的层次聚类算法REPBFC（REpresentative Points Based Fast Clustering），实验表明该算法是有效的。

关键词: 90_10规则, 多阶段聚类, 聚类算法

Abstract: To the drawback of traditional hierarchical clustering algorithm that only merges one pair of the most similar clusters each iteration，easily influenced by outliers and favoring clusters with spherical shapes，inspired by CURE algorithm and the 90_10 rule，an improved clustering algorithm named REPBFC（REpresentative Points Based Fast Clustering） is proposed.The experiments show that the improved algorithm is efficient.

Key words: 90_10 rule, multistage clustering, clustering algorithm

中图分类号:

TP301.6

贾瑞玉，耿锦威，宁再早，何成刚. 基于代表点的快速聚类算法[J]. 计算机工程与应用, 2010, 46(33): 121-123.

JIA Rui-yu，GENG Jin-wei，NING Zai-zao，HE Cheng-gang. Fast clustering algorithm based on representative points[J]. Computer Engineering and Applications, 2010, 46(33): 121-123.

[1]	王俊玲，卢新明. 基于语义相关的视频关键帧提取算法[J]. 计算机工程与应用, 2021, 57(4): 192-198.
[2]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[3]	张子然，黄卫华，陈阳，章政，李梓远. 基于双向搜索的改进蚁群路径规划算法[J]. 计算机工程与应用, 2021, 57(21): 270-277.
[4]	丁松阳，田青云. Ball-Tree优化的密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(20): 90-96.
[5]	翁玉尚，肖金球，夏禹. 改进Mask R-CNN算法的带钢表面缺陷检测[J]. 计算机工程与应用, 2021, 57(19): 235-242.
[6]	白璐，赵鑫，孔钰婷，张正航，邵金鑫，钱育蓉. 谱聚类算法研究综述[J]. 计算机工程与应用, 2021, 57(14): 15-26.
[7]	相益萱，姜合，潘品臣，孙聪慧. 二次幂耦合的[K]-means聚类算法研究[J]. 计算机工程与应用, 2021, 57(14): 95-102.
[8]	韩纪普，段先华，常振. 基于SLIC和区域生长的目标分割算法[J]. 计算机工程与应用, 2021, 57(1): 213-218.
[9]	李杰其，胡良兵. 基于机器学习的设备预测性维护方法综述[J]. 计算机工程与应用, 2020, 56(21): 11-19.
[10]	孙志冉，苏航，梁毅. 一种改进的K-Prototypes聚类算法[J]. 计算机工程与应用, 2020, 56(21): 54-59.
[11]	岳晓新，贾君霞，陈喜东，李广安. 改进YOLO V3的道路小目标检测[J]. 计算机工程与应用, 2020, 56(21): 218-223.
[12]	郭永坤，章新友，刘莉萍，丁亮，牛晓录. 优化初始聚类中心的K-means聚类算法[J]. 计算机工程与应用, 2020, 56(15): 172-178.
[13]	贾露，张德生，吕端端. 物理学优化的密度峰值聚类算法[J]. 计算机工程与应用, 2020, 56(13): 47-53.
[14]	杨俊闯，赵超. K-Means聚类算法研究综述[J]. 计算机工程与应用, 2019, 55(23): 7-14.
[15]	樊晓博，张慧军，张小龙. 企业日志数据的交互式可视分析方法研究[J]. 计算机工程与应用, 2019, 55(23): 248-256.

基于代表点的快速聚类算法

Fast clustering algorithm based on representative points

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics