论文部分内容阅读
现有的k-均值聚类算法大都是以距离差异为基础的，而同等重要地依赖所有属性的相似性度量会引起误导．传统的k-均值算法选择的相似性度量通常是欧几里德距离的倒数，这种距离通常涉及所有的特征．而在距离公式中引入一些特征权值后，其聚类结果将依赖于这些权值，从而可以通过调整这些权值优化聚类效果．由于k-均值算法是迭代算法，很难直接确定其权值以优化聚类结果，因此提出了一种通过免疫算法学习权值的方法以改进聚类结果．实验结果显示，该方法确定的权重值在提高聚类效果方面是可行的、有效的．