基于单元格空间的K-Means初始聚类中心选择算法

K-Means是一种经典的聚类算法,K-Means由于其简单高效得到了广泛应用。但该算法需要事先随机选取初始聚类中心,受孤立点的影响很大,很容易生成局部最优解,聚类效果不稳定。本文针对K-Means聚类算法对初始聚类中心敏感问题加以改进,提出一种基于单元格空间的K-Means初始聚类中心选择算法,通过统计在每个单元格空间中的数据量来排除孤立点的影响,并不断合并单元格空间的质心得到最终的初始聚类中心。实验表明,改进算法受孤立点的影响明显降低,聚类精度有很大提高。