基于改进粒计算的K-medoids聚类算法.pdf

《基于改进粒计算的K-medoids聚类算法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、JournalofComputerApplicationsISSN1oo1．90812014．07．10计算机应用，2014，34(7)：1997—2000CODENJYIIDUhttp：／／www．joca．cn文章编号：1001．9081(2014)07．1997．04doi：10．11772／j．issn．1001-9081．2014．07．1997基于改进粒计算的K-medoids聚类算法潘楚。，罗可(长沙理工大学计算机与通信工程学院，长沙410114)(通信作者电子邮箱panchu2012@163．corn)摘要：针对传统K-

2、medoids聚类算法对初始聚类中心敏感、收敛速度缓慢以及聚类精度不够高等缺点，提出一种基于改进粒计算、粒度迭代搜索策略和优化适应度函数的新算法。该算法利用粒计算思想在有效粒子中选择K个密度大且距离较远的粒子，选择其中心点作为个聚类初始中心点；并在对应的K个有效粒子中进行中心点更新，来减少迭代次数；采用类间距离和类内距离优化适应度函数来提高聚类的精度。实验结果表明：该算法在UCI多个标准数据集中测试，在有效缩短迭代次数的同时提高了算法聚类准确率。关键词：K-medoids聚类算法；改进粒计算；粒度迭代搜索策略；优化适应度函数中图分类号：

3、TP301．6文献标志码：AImprovedK—medoidsclusteringalgorithmbasedonimprovedgranularcomputingPANChu．LUOKe(SchoolofComputerandCommunicationEngineering,ChangshaUniversityofScienceandTechnology,ChangshaHunan410114，China)Abstract：Duetothedisadvantagessuchassensitivetotheinitialselectio

4、nofthecenter，slowconvergentspeedandpooraccuracyintraditionalK-medoidsclusteringalgorithm，anovelK-medoidsalgorithmbasedonimprovedGranularComputing(GrC)，granuleiterativesearchstrategyandanewfitnessfunctionwasproposedinthispaper．ThealgorithmselectedKgranulesusingthegranular

5、computingthinkinginthehigh-densityareawhichwerefarapart，selecteditscenterpointastheKinitialclustercenters，andupdatedKcenterpointsincandidategranulestoreducethenumberofiterations．What’Smore，anewfitnessfunctionwaspresentedbasedonbetween-classdistanceandwithin—classdistance

6、toimproveclusteringaccuracy．TestedonanumberofstandarddatasetsinUCI，theexperimentalresultsshowthatthisnewalgorithmreuducesthenumberofiterationsefectivelyandimprovestheaccuracyofclustering．Keywords：K-medoidsclusteringalgorithm；improvedgranularcomputing；granuleiterativesear

7、chstrategy；improvedfitnessfunction确率但增加了时间复杂度。文献[8—9]分别提出了基于最0引言小支撑树初始化聚类中心点，基于metricaccessmethod的聚聚类算法是根据数据的相似性将数据对象划分在不同簇类方法，提高了聚类的准确率但也增加了额外的开销。文献中的过程，使得同一簇中的对象具有较高的相似度，不同簇中[10—12]结合人工智能仿生算法优化K-medoids聚类算法，数据对象不相似。K-medoids算法是属于基于划分方法的一提高算法全局搜索能力，但同时也牺牲时间复杂度。种⋯，是K-mea

8、ns算法的改进。K-medoids算法能有效处理异上述文献中，虽然对K-medoids聚类算法进行了改进。常数据和噪声数据，具有很好的鲁棒性，所以在聚类算法中得有些算法解决了初始化敏感问题，但增加了时间复杂