基于聚类K-means算法的初值依赖性研究(1)(2)
2015-01-08 02:13
导读：图1 测试结果1 图2 测试结果2 因此，初始聚类中心的选取方法是很多的，可以随机产生，凭经验知识获取，采用密度方法等等。无论聚类算法采用哪一种选
图1 测试结果1
图2 测试结果2 因此，初始聚类中心的选取方法是很多的，可以随机产生，凭经验知识获取，采用密度方法等等。无论聚类算法采用哪一种选取方法，我们都希望聚类中心越稳定越好，需要先验知识越少越好，需要确定的参数越少越好，而且希望算法能够产生一个较稳定的聚类结果，而不是对初始聚类中心非常敏感，不同的初始聚类中心产生不同的聚类结果。在传统的 K-means 算法中，聚类结果对初始聚类中心有较强的依赖性，即不同的初始聚类中心会产生不同的聚类结果，因此聚类结果的有效性直接依赖于初始聚类中心的选择。4 有关初值选取的现有方法 目前针对初值选取的问题，主要概括有以下几种方法： (1)任意选取K个样本数据作为初始聚类中心。 (2)依据经验选取有代表性的点作为初始聚类中心。根据个体性质，观察数据结构，筛选出比较合适的代表点。 (3)把全部混合样本直观地分成k 类，计算各类均值作为初始聚类中心。共2页: 1 [2] 下一页 论文出处(作者):
遗传算法在ANN-Petri网故障诊断中的应用
流媒体QoS控制研究及实现
