动态分配聚类中心的改进K均值聚类算法

K均值算法(KMEANS)是一种应用广泛的经典聚类算法,但其有两个缺陷,即对初始聚类中心敏感及需要人工确定聚类的个数,因而聚类结果的准确率较低。针对K均值聚类算法现存的两个缺陷,为提高算法的精确性与稳定性,以及改善聚类性能,提出了一种改进的K均值算法。该算法通过定义的平均类间最大相似度指标值来确定最佳的K值,将所有数据点中密度较高的点作为备选聚类中心,将备选点中密度最大的两个点作为聚类中心进行初步聚类计算并更新当前聚类中心。当计算得到的平均类间最大相似度现值小于前次计算值,则依据相对距离原则从备选点中动态选择下一个聚类中心;否则,将当前的聚类中心作为最佳初始聚类中心进行K均值聚类计算。实验结果表明,改进后的算法不仅能够有效地提高聚类计算的精确性与稳定性,而且还能缩短聚类计算时间,具有一定的技术优势和应用前景。

基于核函数动态分配聚类中心的DGK-Kmeans算法

Kmeans算法存在两个主要缺陷,导致聚类结果准确率较低。为改善聚类效果,提出一种DGK-Kmeans算法。该算法选用核密度估计处理数据,得到备选聚类中心,依据平均类间相似度动态增加初始聚类中心个数,直至平均类间相似度大于前次计算值时,选取平均类内相似度最小时对应的聚类中心为初始聚类中心,进行Kmeans聚类计算。采用UCI标准数据集进行实验,证明改进后的DGK-Kmeans算法在聚类准确率和稳定性方面有很大提高。

一种改进的动态聚类非线性系统辨识算法

对RBF网络中几种常用的聚类算法进行比较,分析了各种方法的优缺点,针对动态聚类法进行了改进,其最突出的缺点是距离门限值固定不变,不适于样本分布密度差异较大的数据集。在改进算法中,首先定义所有样本间的平均距离为聚类门限初值,按照奖罚制度动态调节各中心的距离门限值,然后对所有样本进行动态聚类,以输入样本的平均值作为聚类中心,用最小二乘法求的输出层权值。该算法具有在线自适应聚类能力,所得到的RBF网络是最优的。最后通过著名的煤气炉数据验证了该方法的有效性与实用性。