CAJ | 학술논문

提出了一种用于复杂分布数据的二阶段聚类算法(two-phase clustering,简称TPC),TPC包含两个阶段:首先将数据划分为若干个球形分布的子类,每一个子类用其聚类中心代表该类内的所有样本；然后利用可以处理复杂分布教据的流形进化聚类(manifold evolutionary clustering,简称MEC)对第1阶段得到的聚类中心进行类别划分；最后综合两次聚类结果整理得到最终聚类结果.该算法基于改进的K-均值算法和MEC算法.在进化聚类算法的基础上引入流形距离,使得算法能够胜任复杂分布的数据聚类问题.同时,算法降低了引入流形距离所带来的计算量.在分布各异的7个人工数据集和7个UCI数据集测试了二阶段聚类算法,并将其效果与遗传聚类算法、K均值算法和流形进化聚类算法做了比较.实验结果表明,无论对于简单或复杂、凸或非凸的数据,TPC都表现出良好的聚类性能,并且计算时间与MEC相比明显减少.
제출료일충용우복잡분포수거적이계단취류산법(two-phase clustering,간칭TPC),TPC포함량개계단:수선장수거화분위약간개구형분포적자류,매일개자류용기취류중심대표해류내적소유양본；연후이용가이처리복잡분포교거적류형진화취류(manifold evolutionary clustering,간칭MEC)대제1계단득도적취류중심진행유별화분；최후종합량차취류결과정리득도최종취류결과.해산법기우개진적K-균치산법화MEC산법.재진화취류산법적기출상인입류형거리,사득산법능구성임복잡분포적수거취류문제.동시,산법강저료인입류형거리소대래적계산량.재분포각이적7개인공수거집화7개UCI수거집측시료이계단취류산법,병장기효과여유전취류산법、K균치산법화류형진화취류산법주료비교.실험결과표명,무론대우간단혹복잡、철혹비철적수거,TPC도표현출량호적취류성능,병차계산시간여MEC상비명현감소.