控制与决策

作者：廖纪勇,吴晟,刘爱莲

单位：昆明理工大学 信息工程与自动化学院,昆明 650500,,昆明理工大学 信息工程与自动化学院,昆明 650500,,昆明理工大学 信息工程与自动化学院,昆明 650500,

关键词：聚类分析;K-means算法;初始聚类中心;离群点;相异性度量;鲁棒性

选取合理的初始聚类中心是正确聚类的前提,针对现有的K-means算法随机选取聚类中心和无法处理离群点等问题,提出一种基于相异性度量选取初始聚类中心改进的K-means聚类算法.算法根据各数据对象之间的相异性构造相异性矩阵,定义了均值相异性和总体相异性两种度量准则;然后据此准则来确定初始聚类中心,并利用各簇中数据点的中位数代替均值以进行后续聚类中心的迭代,消除离群点对聚类准确率的影响.此外,所提出的算法每次运行结果保持一致,在初始化和处理离群点方面具有较好的鲁棒性.最后,在人工合成数据集和UCI数据集上进行实验,与3种经典聚类算法和两种优化初始聚类中心改进的K-means算法相比,所提出的算法具有较好的聚类性能.

来源：2021年第12期

《控制与决策》期刊编辑部

查看控制与决策杂志2021年第12期