计算机应用

作者：王巧玲, 乔非, 蒋友好

单位：同济大学 电子与信息工程学院, 上海 201804

关键词：聚合距离参数,聚类中心,聚类评判指标,戴维森堡丁指数(DBI),数据聚类

基金：国家自然科学基金重大项目（71690230，71690234）。

针对传统K均值聚类（K-means）算法随机选择初始中心及K值导致的聚类结果不确定且精度不高问题，提出了一种基于聚合距离的改进K-means算法。首先，基于聚合距离参数筛选出优质的初始聚类中心，并将其作用于K-means算法。然后，引入戴维森堡丁指数（DBI）作为算法的准则函数，循环更新聚类直到准则函数收敛，最后完成聚类。改进算法提供了优质的初始聚类中心及K值，避免了聚类结果的随机性。二维数值型仿真数据的聚类结果表明，改进算法在数据样本数达到10000时仍能保持较好的聚类效果。针对Iris和Seg这两个UCI标准数据集的调整兰德系数，改进算法比传统算法性能分别提高了83.7%和71.0%，最终验证了改进算法比传统算法聚类结果的准确性更高。

来源：2019年第9期

《计算机应用》期刊编辑部

查看计算机应用杂志2019年第9期