K均值聚類算法初始聚類中心的選取與改進(jìn).pdf

1、進(jìn)入二十一世紀(jì)以來(lái)，科學(xué)技術(shù)的不斷發(fā)展，使得數(shù)據(jù)挖掘技術(shù)得到了學(xué)者越來(lái)越多的關(guān)注。數(shù)據(jù)挖掘是指從數(shù)據(jù)庫(kù)中發(fā)現(xiàn)隱含在大量數(shù)據(jù)中的新穎的、潛在的有用信息和規(guī)則的過(guò)程，是一種處理數(shù)據(jù)庫(kù)數(shù)據(jù)的知識(shí)發(fā)現(xiàn)(KnowledgeDiscovery in Database)。數(shù)據(jù)挖掘一種新興的交叉的學(xué)科技術(shù)，涉及了模式識(shí)別、數(shù)據(jù)庫(kù)、統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)和人工智能等多個(gè)領(lǐng)域。分類、聚類、關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘技術(shù)三個(gè)主要的研究領(lǐng)域。在數(shù)據(jù)挖掘的三個(gè)主要研究領(lǐng)域中，

2、聚類是其中一個(gè)重要研究領(lǐng)域，對(duì)它進(jìn)行深入研究不僅有著重要的理論意義，而且有著重要的應(yīng)用價(jià)值。聚類分析是基于物以類聚的思想，將數(shù)據(jù)劃分成不同的類，同一個(gè)類中的數(shù)據(jù)對(duì)象彼此相似，而不同類中的數(shù)據(jù)對(duì)象的相似度較低，彼此相異。目前，聚類分析已經(jīng)廣泛地應(yīng)用于模式識(shí)別、數(shù)據(jù)分析、圖像處理以及市場(chǎng)研究等。
　　聚類算法是聚類分析的重點(diǎn)研究?jī)?nèi)容，目前主要有五種聚類算法:基于劃分的聚類算法、基于網(wǎng)格的聚類算法、基于密度的聚類算法、基于層次的聚類算法

3、、基于模型的聚類算法。傳統(tǒng)的K均值聚類算法(K-Means)是一種典型的基于劃分的聚類算法，該聚類算法的最大的優(yōu)點(diǎn)就是操作簡(jiǎn)單，并且K均值聚類算法的可伸縮性較好，可以適用于大規(guī)模的數(shù)據(jù)集。但是K均值聚類算法一個(gè)最主要的缺陷就是:算法隨機(jī)選取初始聚類中心，聚類結(jié)果往往會(huì)陷入局部最優(yōu)解。論文針對(duì)此缺點(diǎn)提出了兩種改進(jìn)的聚類算法。
　　論文在對(duì)現(xiàn)有聚類算法進(jìn)行詳細(xì)的分析和總結(jié)基礎(chǔ)上，針對(duì)K均值聚類算法隨機(jī)選取初始聚類中心的不足之處，提出了