基于改进密度的簇内均值最小距离聚类算法

针对密度聚类算法在聚类过程中存在的参数设置敏感、收敛时间长等问题,提出了一种改进密度聚类算法。首先使用自定义密度公式计算样本密度,得出候选代表点集合;再选取与其它候选代表点距离之和最小对象为首个初始聚类中心,使用最大乘积法完成初始中心选择;在簇中心更新环节,将与簇内均值最小距离的对象作为该簇的临时中心,使用最小距离法划分样本至所属簇中;重复该环节,直到收敛。在UCI数据集上的测试结果表明,改进密度算法相对K-means算法和其它两种改进算法具有更好的稳定性、更高的聚类准确率和更少的聚类耗时。

基于谱聚类的全局中心快速更新聚类算法

针对高维数据在聚类过程中存在迭代次数多、运算耗时长等问题,提出一种改进的聚类算法,首先采用谱聚类对样本降维,再选取k个首尾相连且距离乘积最大的数据对象作为初始聚类中心,在簇中心更新过程中,选取与簇均值距离最近的数据对象作为簇中心,并将其他数据对象按最小距离划分至相应簇中,反复迭代,直至收敛。实验结果表明,新算法的Rand指数、Jaccard系数和Adjusted Rand Index等聚类指标全部优于K-means算法及其他3种改进聚类算法,在运行效率方面,新算法的聚类耗时更短、迭代次数更少。