摘要：传统K-means算法随机选取初始聚类中心,容易导致聚类结果不稳定,而优化初始聚类中心的K-means算法需要一定的参数选择,也会使聚类结果缺乏客观性.为此,根据样本空间分布紧密度信息,提出利用最小方差优化初始聚类中心的K-means算法.该算法运用样本空间分布信息,通过计算样本空间分布的方差得到样本紧密度信息,选择方差最小（即紧密度最高）且相距一定距离的样本作为初始聚类中心,实现优化的K-means聚类.在UCI机器学习数据库数据集和含有噪音的人工模拟数据集上的实验结果表明,该算法不仅能得到较好的聚类结果,且聚类结果稳定,对噪音具有较强的免疫性能.

原文链接:http://www.cqvip.com//QK/95200X/201408/661899661.html

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）