论文部分内容阅读
在详细分析克隆选择算法的基础上,提出非监督克隆选择聚类算法。该算法是数据驱动的自适应调整其参数,它对数据进行分类的操作尽可能快,改善过早收敛的问题,提高数据聚类的速度。通过使用一些人工和现实生活中的数据集,比较非监督克隆选择聚类算法与著名的K-means算法之间的性能优劣。实验结果表明,该算法不仅解决K-means算法需事先确定的类数K和在次佳值卡住的缺点,而且在功能上比传统的K-means分类算法具有较高的分类精度和更高的可靠性。