论文部分内容阅读
针对初始点选择不当导致K—means陷入局部最小值问题，提出一种结合自适应mean-shift与最小生成树（MST）的K—means聚类算法。将数据对象投影到主成分分析（PCA）子空间，给出自适应mean．shift算法，并在PCA子空间内将数据向密度大的区域聚集，再利用MST与图连通分量算法，找出数据的类别数和类标签，据此计算原始空间的密度峰值，并将其作为K．means聚类的初始中心点。对K—means的目标函数、聚类精度和运行时间进行比较，结果表明，该算法在较短的运行时间内能给出较优的全局解。