一种高效的K_means聚类改进算法_图文

1、 · 542· 福州大学学报（ 自然科学版） 第 42 卷 K means和 MD BKM 算法的计算冗余代价越大，相较之下 ECA 算法所节约的计算时间越多 故对于大 数据集聚类，改进的算法 ECA 的执行效率优势更为明显 图3 Fig 3 算法初始化时间比较 Fig 4 图4 算法执行时间比较 Comparison of the algorithmsinitialization time Comparison of the algorithmsexecution time 4 结语 提出聚类算法 ECA，该算法由空间划分预聚类和邻近簇优化调整两个阶段相结合 ： 通过预聚

2、类划 分，克服了 K means 聚类对初始点敏感的缺陷，避免较差的初始划分所产生的局部极小值 ，有利于获得 稳定的、较好的聚类结果； 已具备一定准确率的预聚类成果有效减少了后期聚类迭代的工作量，提高 了算法的收敛速度； 通过获取邻近簇和标识稳定状态减少了计算冗余，有效提高算法的执行效率 实 验证明，ECA 算法无论从聚类准确率还是运行效率方面 ，都比传统 K means 算法有较大改进，是高效可 行的 关于 K means 算法对噪声比较敏感的缺陷，ECA 算法仅通过在预聚类划分过程中剔除单数据点的 簇实现对噪声的初步过滤，对噪声的全面检测功能还不完善 ，有待在今后的研究工作中进一步改进 参

3、考文献： 1 Tan P N，Steinbach M，Kumar V Introduction to data mining M 北京： 人民邮电出版社， 2011 2 Babu G P，Murty M N A near optimal initial seed value selection in K means algorithm using a genetic algorithm J Pattern ecognition Letters， 1993 ， 14 （ 10 ） ： 763 769 3 Faber V Clustering and the continuous K means

4、algorithm J Los Alamos Science， 1994 （ 22 ） ： 138 144 4 张军伟，王念滨，黄少滨，等 二分 K 均值聚类算法优化及并行研究 J 计算机工程， 2011 ， 37 （ 17 ） ： 23 25 5 Al Daoud M B，oberts S A New methods for the initialization of clusters J Pattern ecognition Letters，1996 ，17 （ 5 ） ： 451 455 6 Guha S，astogi ，Shim K CUE： an efficient clusteri

5、ng algorithm for large databases J Information Systems，2001 ，26 （ 1 ） ： 35 38 7 Lai J，Liaw Y Improvement of the K means clustering filtering algorithm J Pattern ecognition： The Journal of the Pattern ecognition Society， 2008 ， 41 （ 12 ） ： 3 677 3 681 8 Yu S，Tranchevent L C，Liu X，et al Optimized data

6、 fusion for kernel K means clusteringJ IEEE Trans Pattern Anal Mach Intell， 2012 ， 34 （ 5 ） ： 1 031 1 039 9 Pena J M，Lozano J A，Larranaga P An empirical comparison of four initialization methods for the K means algorithm J Pattern ecognition Letters， 1999 ， 20 （ 10 ） ： 1 027 1 040 10 Frank A，Asuncion A UCI machine learning repository EB / OL 2010 http： / / archive ics uci edu / ml / data