论文部分内容阅读
提出一种基于最大距离积与最小距离之和的协同K聚类改进算法,解决了传统K-means算法聚类结果随机性大、稳定性差,以及最大距离乘积法迭代次数多、运算耗时长等问题。该算法首先通过样本的分布情况计算其密度参数,进而构建高密度点集合,在此基础上将距离样本集中心最远的高密度对象作为第一个初始聚类中心,再通过最大距离乘积法求得其余初始聚类中心;在簇中心更新过程中,选取与簇内样本距离之和最小的数据对象作为簇中心,再将其他数据对象按最小距离划分到相应簇中,从而实现聚类。在UCI数据集上的实验结果表明,与其他两种改