计算机与现代化
計算機與現代化
계산궤여현대화
Computer and Modernization
2015年
11期
1-5,11
,共6页
模糊C均值聚类算法%k维树%初始聚类中心%无监督学习
模糊C均值聚類算法%k維樹%初始聚類中心%無鑑督學習
모호C균치취류산법%k유수%초시취류중심%무감독학습
Fuzzy C-Means cluster algorithm%k-d tree%initial cluster center%unsupervised learning
初始聚类中心的选择极大地影响了模糊C均值聚类算法的性能,一个好的初始聚类中心能显著加快算法的收敛速度和减少算法的运行时间.本文提出一种新的基于k维树的模糊C均值聚类算法.通过使用k维树的方法分割原始数据集得到多个网格,并选取网格的加权中心作为新的数据点构成一个简化的数据集,在此基础上可快速查找一组距离实际聚类中心较近的初始聚类中心,显著减少模糊C聚类算法的迭代次数.通过在16个人工数据集和一组真实图像数据上的实验结果表明,数据集的数据量较大时,在不损失聚类精确度的情况下,本算法相对于普通的模糊C均值聚类算法,收敛速度提升了近2倍,算法的运行时间也缩短到经典FCM算法的一半以下.
初始聚類中心的選擇極大地影響瞭模糊C均值聚類算法的性能,一箇好的初始聚類中心能顯著加快算法的收斂速度和減少算法的運行時間.本文提齣一種新的基于k維樹的模糊C均值聚類算法.通過使用k維樹的方法分割原始數據集得到多箇網格,併選取網格的加權中心作為新的數據點構成一箇簡化的數據集,在此基礎上可快速查找一組距離實際聚類中心較近的初始聚類中心,顯著減少模糊C聚類算法的迭代次數.通過在16箇人工數據集和一組真實圖像數據上的實驗結果錶明,數據集的數據量較大時,在不損失聚類精確度的情況下,本算法相對于普通的模糊C均值聚類算法,收斂速度提升瞭近2倍,算法的運行時間也縮短到經典FCM算法的一半以下.
초시취류중심적선택겁대지영향료모호C균치취류산법적성능,일개호적초시취류중심능현저가쾌산법적수렴속도화감소산법적운행시간.본문제출일충신적기우k유수적모호C균치취류산법.통과사용k유수적방법분할원시수거집득도다개망격,병선취망격적가권중심작위신적수거점구성일개간화적수거집,재차기출상가쾌속사조일조거리실제취류중심교근적초시취류중심,현저감소모호C취류산법적질대차수.통과재16개인공수거집화일조진실도상수거상적실험결과표명,수거집적수거량교대시,재불손실취류정학도적정황하,본산법상대우보통적모호C균치취류산법,수렴속도제승료근2배,산법적운행시간야축단도경전FCM산법적일반이하.
