论文部分内容阅读
传统的K-means算法由于其方法简单，在模式识别和机器学习中被广泛讨论和应用。但由于K—means算法随机选择初始聚类中心，而初始聚类中心的选择对最终的聚类结果有着直接的影响，因此算法不能保证得到一个唯一的聚类结果。利用邻域模型中对象邻域的上下近似，定义了对象邻域耦合度和分离度的概念，给出了对象在初始聚类中心选择中的重要性，提出了一种初始聚类中心的选择算法。另外，分析了邻域模型中三种范数对聚类精度的影响，并和随机选择初始聚类中心、CCIA选择初始聚类中心算法进行了比较，实验结果表明，该算法是有效的。