一种改进的k-means初始聚类中心选取算法

doi:10.3778/j.issn.1002-8331.2010.17.042

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (17): 150-152.DOI: 10.3778/j.issn.1002-8331.2010.17.042

• 数据库、信号与信息处理 • 上一篇下一篇

一种改进的k-means初始聚类中心选取算法

韩凌波¹，王强²，蒋正锋²，郝志强²

1.中共湛江市委党校理论信息室，广东湛江 524032
2.广西师范大学计算机科学与信息工程学院，广西桂林 541004

收稿日期:2008-11-28 修回日期:2009-02-27 出版日期:2010-06-11 发布日期:2010-06-11
通讯作者: 韩凌波

Improved k-means initial clustering center selection algorithm

HAN Ling-bo¹，WANG Qiang²，JIANG Zheng-feng²，HAO Zhi-qiang²

1.Department of Theory and Information，Zhanjiang Party Institute，Zhanjiang，Guangdong 524032，China
2.College of Computer Science and Information Technology，Guangxi Normal University，Guilin，Guangxi 541004，China

Received:2008-11-28 Revised:2009-02-27 Online:2010-06-11 Published:2010-06-11
Contact: HAN Ling-bo

摘要/Abstract

摘要： 在传统的k-means聚类算法中，聚类结果会随着初始聚类中心点的不同而波动，针对这个缺点，提出一种优化初始聚类中心的算法。该算法通过计算每个数据对象的密度参数，然后选取k个处于高密度分布的点作为初始聚类中心。实验表明，在聚类类别数给定的情况下，通过用标准的UCI数据库进行实验比较，发现采用改进后方法选取的初始类中心的k-means算法比随机选取初始聚类中心算法有相对较高的准确率和稳定性。

关键词: k-means算法, 聚类中心, 密度参数

Abstract: The traditional k-means has sensitivity to the initial clustering center.Considering this defection，a new improved algorithm is proposed.In the new algorithm，the density parameter of every data object is computed，and then k data objects with high density parameter are chosen as the initial clustering centers.Given the cluster number，and UCI database is used as testing datasets.The clustering results demonstrate that the improved algorithm can enhance the clustering stability and accuracy of ordinary k-means algorithm relatively.

Key words: k-means algorithm, clustering center, density parameter

中图分类号:

TP311.12

韩凌波¹，王强²，蒋正锋²，郝志强². 一种改进的k-means初始聚类中心选取算法[J]. 计算机工程与应用, 2010, 46(17): 150-152.

HAN Ling-bo¹，WANG Qiang²，JIANG Zheng-feng²，HAO Zhi-qiang². Improved k-means initial clustering center selection algorithm[J]. Computer Engineering and Applications, 2010, 46(17): 150-152.

[1]	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.
[2]	王子龙，李进，宋亚飞. 基于距离和权重改进的K-means算法[J]. 计算机工程与应用, 2020, 56(23): 87-94.
[3]	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.
[4]	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.
[5]	薛印玺，许鸿文，李羚. 基于样本密度的全局优化K均值聚类算法[J]. 计算机工程与应用, 2018, 54(14): 143-147.
[6]	陈雷雷，葛洪伟，杨金龙，袁运浩. 基于流形结构的多聚类中心近邻传播聚类算法[J]. 计算机工程与应用, 2016, 52(6): 67-73.
[7]	付芦静1，钱军浩1，钟云飞2. 基于汉字连通分量的印刷图像版面分割方法[J]. 计算机工程与应用, 2015, 51(5): 178-182.
[8]	魏英姿1，2，李静静1. 红外图像分割的改进模糊C均值聚类方法[J]. 计算机工程与应用, 2014, 50(9): 163-166.
[9]	邢长征，谷浩. 基于平均密度优化初始聚类中心的k-means算法[J]. 计算机工程与应用, 2014, 50(20): 135-138.
[10]	闫新庆，王换换，栗青霞，傅喆. 基于改进K-Means聚类的煤炭交易者信誉度划分[J]. 计算机工程与应用, 2014, 50(2): 231-236.
[11]	沈国珍. 依赖数据密度的K均值初始化调优[J]. 计算机工程与应用, 2014, 50(11): 139-144.
[12]	何云斌，肖宇鹏，万静，李松. 基于密度期望和有效性指标的K-均值算法[J]. 计算机工程与应用, 2013, 49(24): 105-111.
[13]	邱继钊1，2，计华1，2，张化祥1，2. 基于标记特征的多标记学习改进算法[J]. 计算机工程与应用, 2013, 49(22): 163-166.
[14]	李正兵1，2，罗斌1，2，翟素兰1，3，4，涂铮铮1，4. 基于关联图划分的Kmeans算法[J]. 计算机工程与应用, 2013, 49(21): 141-144.
[15]	冯波，郝文宁，陈刚，占栋辉. K-means算法初始聚类中心选择的优化[J]. 计算机工程与应用, 2013, 49(14): 182-185.

一种改进的k-means初始聚类中心选取算法

Improved k-means initial clustering center selection algorithm

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