兰州交通大学学报
蘭州交通大學學報
란주교통대학학보
JOURNAL OF LANZHOU JIAOTONG UNIVERSITY（Natural Sciences）
2009年
6期
15-18
,共4页
聚类%数据样本%欧式距离%k_means 算法%聚类中心
聚類%數據樣本%歐式距離%k_means 算法%聚類中心
취류%수거양본%구식거리%k_means 산법%취류중심
传统的k_means算法对初始聚类中心十分敏感,聚类结果随不同的初始输入而波动,容易陷入局部最优.为消除这种敏感性,针对k_means算法,提出了一种新的基于数据样本分布选取初始聚类中心的方法,对公共数据库UCI里面的数据实验表明改进后的k_means算法能产生质量较高的聚类结果,并且消除了对初始输入的敏感性.
傳統的k_means算法對初始聚類中心十分敏感,聚類結果隨不同的初始輸入而波動,容易陷入跼部最優.為消除這種敏感性,針對k_means算法,提齣瞭一種新的基于數據樣本分佈選取初始聚類中心的方法,對公共數據庫UCI裏麵的數據實驗錶明改進後的k_means算法能產生質量較高的聚類結果,併且消除瞭對初始輸入的敏感性.
전통적k_means산법대초시취류중심십분민감,취류결과수불동적초시수입이파동,용역함입국부최우.위소제저충민감성,침대k_means산법,제출료일충신적기우수거양본분포선취초시취류중심적방법,대공공수거고UCI리면적수거실험표명개진후적k_means산법능산생질량교고적취류결과,병차소제료대초시수입적민감성.
