科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对传统K-means聚类算法对初始聚类中心和离群孤立点敏感的缺陷，以及现有引入密度概念优化的K-means算法均需要设置密度参数或阈值的缺点，提出一种融合最近邻矩阵与局部密度的自适应K-means聚类算法。受最邻近吸收原则与密度峰值原则启发，通过引入数据对象间的距离差异值构造邻近矩阵，根据邻近矩阵计算局部密度,不需要任何参数设置，采取最近邻矩阵与局部密度融合策略，自适应确定初始聚类中心数目和位置，同时完成非中心点的初分配。人工数据集和UCI数据集的实验测试，以及与传统K-means算法、基于离群点改进的K-means算法、基于密度改进的K-means算法的实验比较表明，提出的自适应K-means算法对人工数据集的孤立点免疫度较高，对UCI数据集具有更准确的聚类结果。
- 单位
