K-means聚類算法的改進研究.pdf

1、隨著計算機網絡的普及，人們的工作和生活更多的與數據信息產生聯系，制造和使用的數據量越來越巨大，我們進入了一個大數據時代。人們每天接觸大量的數據資源，而所需的信息只是其中極小的一部分，或者是隱藏于其中的潛在信息。如何快速高效的從海量的數據資源中獲取所需的那部分信息，如何找出數據之間的聯系和規(guī)律是我們亟需研究的課題，數據挖掘技術便是在這種需求驅動下出現的多學科交叉的技術。數據挖掘技術的核心功能是從大量的信息資源中發(fā)現隱藏的、有效的、有價值的

2、知識，從而更好的理解和應用隱藏在數據中的有效信息，充分發(fā)揮數據的價值，為科學決策或政策的制定提供幫助。聚類分析是數據挖掘中常用的技術，在圖像分割、電子商務、市場分析、生物學、地理學以及文檔分類等眾多領域有著廣泛的應用。聚類分析的基本原理是:在沒有先驗知識的情況下，將一個數據集劃分成多個簇，使得同一個簇中的數據對象的特征較相似，而不同簇間的數據對象的特征相似性小。聚類分析中有眾多的聚類算法，其中基于劃分的算法應用最為廣泛，因為算法的思想原

3、理簡單、算法實現相對容易且對大規(guī)模數據集聚類收斂性好等優(yōu)點而成為應用最為廣泛的聚類算法之一，其最具代表性的是k-means聚類算法。然而，傳統k-means算法也有多個明顯的缺點:如聚類需要憑借經驗先指定一個聚類數k值，并且隨機選擇k個初始聚類中心;聚類結果對初始聚類中心和聚類數k值的依賴性強，對孤立點和噪聲點敏感。針對以上缺點，本文提出了一個改進的k-means聚類初始中心點選擇算法和一種確定聚類數k值的算法，并用實驗驗證了改進算法的

4、有效性，兩個算法的改進之處在于:
　　(1)針對k-means算法聚類結果受初始聚類中心和異常數據的制約，易出現聚類結果不穩(wěn)定和收斂于聚類局部最優(yōu)的問題，提出了一種選取數據集中k個處于密集區(qū)域的數據對象作為初始聚類中心的改進算法。該算法提出了一個用于表示數據集中每個數據對象密度的參數m-dist，然后根據該密度參數的值，選取k個相對分散且密度較高的數據對象作為初始聚類中心。該算法可以有效的避免選取到數據集中的孤立點和噪聲點作為初始

5、聚類中心，能有效減少聚類的迭代次數，對聚類結果的準確性提高顯著。
　　(2)經典k-means算法需要憑經驗給定一個聚類數k值，k值的確定具有一定的主觀性，容易產生偏差，本文提出了一種確定聚類數的方法，首先根據樣本的密度從數據集中選擇處于高密度區(qū)域的若干數據對象產生一個初始聚類中心點候選集合U，然后根據提出的聚類有效性指標AIBWP的值搜索最佳聚類數，當AIBWP的值達到最大時，聚類有效性指標最優(yōu)，指標值所對應的聚類數就是最佳聚類