K--means算法在地質災害系統(tǒng)中的應用研究.pdf

1、IIIIIIIIIIIIIIIIIllIY3400614密級公玨分類號工￡三窆!歹考乒擎位論文題目：K—means算法在地質災害系統(tǒng)中的應用研究作者：薛琳瑤指導教師：王建國申請學位學科：計算機系統(tǒng)結構2018年5月4日夢一拳貶嗶⑨堿Kmeans算法在地質災害系統(tǒng)中的應用研究學科：計算機系統(tǒng)結構摘。要Kmeans算法是一種經(jīng)典的聚類算法。該算法操作簡單，往往可以得到比較好的聚類效果。但是，該算法也存在一些不足：首先，聚類數(shù)K必須預先設定；

2、其次，受初始聚類中心極影響大，如果選擇的初始聚類中心不夠分散，則不能很好的反映原始數(shù)據(jù)集的分布；最后，算法時間復雜度過高。為了減少Kmeans算法對初值的依賴性，提高算法的有效性，本文探討了Kmeans算法初始聚類中心的優(yōu)化選擇問題，主要研究內(nèi)容如下：1)在原始數(shù)據(jù)集上運用均勻抽樣技術。在選擇每一個聚類中心之前，Kmeans算法都要對數(shù)據(jù)庫進行一遍掃描，這樣會造成非常大的計算量，因此本文選擇首先對原始數(shù)據(jù)集進行抽樣，這樣既起到對原始數(shù)據(jù)

3、的預處理作用，而且能夠將Kmeans算法的優(yōu)越性發(fā)揮出來。2)在聚類的開始階段，傳統(tǒng)的UPGMA算法能夠很好地發(fā)現(xiàn)密集區(qū)域，但不易發(fā)現(xiàn)聚類形成的次序，導致選擇的初始聚類中心點不能代表實際數(shù)據(jù)集的分布狀況，因此設置了聚類條件和篩選條件，以保證初始聚類中心候選點將全部來自高密度區(qū)域，同時避免邊緣數(shù)據(jù)和噪聲數(shù)據(jù)。但是改進的UPGMA算法也有缺點，即在聚類條件和篩選條件的控制上，如果設置不當，則無法避免選擇的初始聚類中心點過于密集。如果在Can