免费论文摘要：鉴于密度的聚类算法接洽

消息本领的赶快兴盛，使得数据发掘本领普遍运用在社会各个范围。对来自生存中的数据举行聚类领会变成稠密鸿儒接洽的热门之一。聚类领会没有先验常识可循，经过数据自己的特性，把数据分别到各别的类中，是把物理或笼统的数据东西按照确定的一致性襟怀规则划分红几何类，同一个类的东西间具备较高的一致度，各别类的东西间一致度很小。聚类的重要本领有：鉴于分别的本领、鉴于档次的本领、鉴于密度的本领、鉴于网格的本领和鉴于模子的本领。正文按照数据会合东西的天然散布消息，归纳商量数据东西在数据会合所处场所的成分，设置了数据东西的密度。将该密度运用在关系的聚类算法中，进而矫正聚类算法的本能。正文所做的简直接洽处事如次所示：1. 原始的次胜者吃苦比赛进修算法(Rival Penalized Competitive Learning，RPCL)忽视了数据集的好多构造对节点的权值安排的感化，魏立梅等提出的新RPCL算法中，在节点的权值安排时引入了密度，然而该密度的设置须要树立少许参数，带有主观性。将正文设置的密度引入RPCL算法的节点的权值安排进程中，提出了鉴于密度的矫正RPCL算法，克复现有RPCL算法的缺点。运用UCI呆板进修数据库数据集以及随机天生带有乐音点的人为模仿数据集举行尝试，表明正文提出的鉴于密度的矫正RPCL算法优于原始的RPCL算法和新RPCL算法；普及了聚类的精确性，使聚类截止尽大概快地抑制到全部最优解；对乐音数占有很强的抗干预本能。2. 对准保守K-means聚类算法对初始聚类重心敏锐，现有的初始聚类重心优化的关系算法不足主观性，正文提出一种鉴于优化初始聚类重心的K-means算法。该算法在密度设置的普通上，按照数据集的空间消息设置了数据的邻域；采用数据会合坐落数据聚集区且距离较远的数据东西动作初始聚类重心，而后运转K-means算法。运用UCI呆板进修数据库数据集以及随机天生带有乐音点的人为模仿数据集举行尝试，表明正文鉴于优化初始聚类重心的K-means算法具备很好的聚类功效，运转功夫短，而且对乐音数占有很强的抗干预本能。同声正文鉴于优化初始聚类重心的K-means算法的聚类本能优于保守的K-means算法和已有的关系K-means初始重心优化算法。3. 对准K-means聚类算法须要事前给定聚类数量和聚类截止依附于初始聚类重心的题目，借助次胜者吃苦比赛进修算法(Rival Penalized Competitive Learning，RPCL) 来决定数据集的聚类数量和聚类初始重心；开始用鉴于密度的矫正RPCL算法对数据集举行预处置，决定K-means算法所须要的聚类数量和初始聚类重心，再运转K-means算法，提出了鉴于矫正RPCL的K-means聚类算法。沿用UCI呆板进修数据库数据集以及随机天生带有乐音点的人为模仿数据集举行尝试，表明正文鉴于矫正RPCL的K-means聚类算法具备很好的聚类功效，对乐音数占有很强的抗干预本能。4. 正文提出一种鉴于密度的矫正K-medoids算法，在密度设置的普通上运用数据集的天然散布消息设置数据东西的邻域半径和相映邻域，采用数据会合坐落数据聚集区且距离较远的k个数据动作初始聚类重心，如许制止了赶快K-medoids算法在采用初始重心点时有大概使得采用出的多个初始重心在同一类中的潜伏缺点。运用UCI呆板进修数据库数据集以及随机天生带有乐音点的人为模仿数据集举行尝试，表白正文提出的鉴于密度的矫正K-medoids算法在短功夫内有很好的聚类功效，且对乐音数占有很强的抗干预本能，优于PAM算法和赶快K-medoids算法。

来源：半壳优胜鲸鱼幸运星转载请保留出处和链接！

本文链接：http://87cpy.com/241447.html