C-均值聚類算法的改進(jìn)研究.pdf

1、聚類分析是一種無(wú)監(jiān)督的學(xué)習(xí)方法，是數(shù)據(jù)挖掘領(lǐng)域進(jìn)行數(shù)據(jù)處理的重要分析工具和方法。聚類的目標(biāo)是把一個(gè)無(wú)類別標(biāo)記的數(shù)據(jù)集按某種準(zhǔn)則劃分成不同的類，使得同一類中數(shù)據(jù)盡可能相似，而不同類間數(shù)據(jù)相似性盡可能小。聚類在商業(yè)、金融、圖像處理、信息檢索等領(lǐng)域，都得到了有效的應(yīng)用。聚類分析的研究主要集中在聚類算法上，其最終目標(biāo)是產(chǎn)生性能好而且實(shí)用的聚類算法。
　　 C-均值聚類算法是一種典型的基于劃分的方法，包括K-均值算法（硬C-均值聚類算法）

2、和模糊C-均值聚類算法。該方法的主要優(yōu)點(diǎn)是，算法思想簡(jiǎn)單易行、快速而高效；但是該方法也存在其固有的缺陷：要求預(yù)先給定聚類個(gè)數(shù)；容易陷入局部極小值而得不到全局最優(yōu)解；初始中心的選擇對(duì)聚類結(jié)果有很大影響；對(duì)孤立點(diǎn)和噪聲比較敏感等。對(duì)聚類算法的優(yōu)化研究將不僅有助于算法理論的完善，更有助于算法的推廣和應(yīng)用。
　　 本文研究了K-均值聚類算法和模糊C-均值聚類算法，總結(jié)其優(yōu)缺點(diǎn)，并針對(duì)上述算法對(duì)初始聚類中心的敏感性、圖像分割運(yùn)算代價(jià)大等問(wèn)

3、題，提出了兩種改進(jìn)算法。本文的主要研究工作包括以下兩個(gè)方面：
　　 （1）傳統(tǒng)K-均值聚類算法由于對(duì)初始聚類中心、孤立點(diǎn)和噪聲的敏感性，往往導(dǎo)致聚類結(jié)果不穩(wěn)定、準(zhǔn)確率低。針對(duì)以上問(wèn)題，利用分類領(lǐng)域中的特征選擇及特征加權(quán)方法，提出了一種改進(jìn)的特征加權(quán)K-均值聚類算法。該算法首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，并基于數(shù)據(jù)樣本的分布特點(diǎn)選取初始聚類中心，然后設(shè)計(jì)特征加權(quán)的K-均值聚類算法。實(shí)驗(yàn)結(jié)果證明，所提出的算法能產(chǎn)生質(zhì)量較高的聚類結(jié)果。