动态粗集理论在K-均值聚类中的应用

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (26): 25-26.

动态粗集理论在K-均值聚类中的应用

张军，黄顺亮

山东理工大学管理学院，山东淄博 255049

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-09-11 发布日期:2011-09-11

Application of dynamic rough sets theory in K-means clustering

ZHANG Jun，HUANG Shunliang

School of Management，Shandong University of Technology，Zibo，Shangdong 255049，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-09-11 Published:2011-09-11

摘要/Abstract

摘要： 基于动态粗集理论，提出了一种改进的动态粗集K-均值算法。改进后的算法依据数据对象的迁移系数大小，被划分到某一类的膨胀上近似集或膨胀下近似集;在计算类的质心时采用其中数据对象集的迁移系数的平均值作为权值来衡量它对质心的贡献。在UCI机器学习数据库原始数据集及其噪音数据集上的实验结果表明，改进后的动态粗集K-均值算法提高了聚类的准确性，降低了迭代次数。

关键词: 动态粗集, K-均值, 聚类, 迁移系数

Abstract: Based on the theory of dynamic rough set，a dynamic rough K-means clustering algorithm is presented.The new algorithm divides samples into a cluster according to the transition coefficient.When calculating the centroids the average of transition coefficients are used as weight，which represents the contributions of the samples to the cluster.Experiments on UCI data sets and on generated data sets with noise points prove this algorithm can get better clustering accuracy and reduce the iteration times.

Key words: dynamic rough set, K-means, cluster, transition coefficient

张军，黄顺亮. 动态粗集理论在K-均值聚类中的应用[J]. 计算机工程与应用, 2011, 47(26): 25-26.

ZHANG Jun，HUANG Shunliang. Application of dynamic rough sets theory in K-means clustering[J]. Computer Engineering and Applications, 2011, 47(26): 25-26.

[1]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[2]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[3]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[4]	霍光煜，张勇，孙艳丰，尹宝才. 基于语义的档案数据智能分类方法研究[J]. 计算机工程与应用, 2021, 57(6): 247-253.
[5]	杨芳，尹曦，司建辉，刘宏媛，汪雪. 基于侧重点聚类的数学表达式相似度计算方法[J]. 计算机工程与应用, 2021, 57(6): 88-93.
[6]	赵凡，张琳，闻治泉，杨林林，蔺广逢. 一种直接高效的自然场景汉字逼近定位方法[J]. 计算机工程与应用, 2021, 57(6): 159-167.
[7]	彭启慧，宣士斌，高卿. 分布的自动阈值密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(5): 71-78.
[8]	李勇振，廖湖声. 基于图卷积神经网络的多视角聚类[J]. 计算机工程与应用, 2021, 57(5): 115-122.
[9]	王昌龙，张远东，缪宏，杨煜恒. 双通道卷积神经网络在南瓜病害识别上的应用[J]. 计算机工程与应用, 2021, 57(5): 183-189.
[10]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[11]	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.
[12]	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.
[13]	陈俊丰，郑中团. WKMeans与SMOTE结合的不平衡数据过采样方法[J]. 计算机工程与应用, 2021, 57(23): 106-112.
[14]	张忠林，赵昱，闫光辉. 自然邻居密度极值聚类算法[J]. 计算机工程与应用, 2021, 57(23): 200-210.
[15]	梅婕，魏圆圆，许桃胜. 基于密度峰值多起始中心的融合聚类算法[J]. 计算机工程与应用, 2021, 57(22): 78-85.