摘要：针对快速K-me doids聚类算法所选初始聚类中心可能位于同一类簇的缺陷，以及基于粒计算的K-medoids算法构造样本去模糊相似矩阵时需要主观给定阈值的缺陷，提出了粒计算优化初始聚类中心的K-medoids聚类算法。该算法结合粒计算与最大最小距离法，优化K-medoids算法初始聚类中心的选取，选择处于样本分布密集区域且相距较远的K个样本作为初始聚类中心；使用所有样本的相似度均值作为其构造去模糊相似矩阵的阈值。人工模拟数据集和UCI机器学习数据库数据集的实验测试表明，新K-medoids聚类算法具有更稳定的聚类效果，其准确率和Adjusted Rand Index等聚类结果评价指标值优于传统K-medoids聚类算法、快速K-medoids聚类算法和基于粒计算的K-medoids聚类算法。

原文链接:http://www.cqvip.com//QK/93336B/201505/664612290.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。）