基于分类权与质心驱动的无监督学习算法

为了充分挖掘隐藏在样本向量中的空间信息和知识信息:用聚类点代替类均值,把提取指标对聚类所做贡献的量化值定义为指标分类权;用分类权定义样本点与聚类点的加权距离,使之作为样本与类之间的相似性度量更具合理性,即将加权距离转化为样本隶属度.为了消除序贯算法产生的随机性,用样本的K类隶属度作为点质量的样本质点组的质心,修正当前的K类聚类点,由此建立基于分类权和质心驱动的搜索聚类点的迭代算法.IRIS数据检验结果表明,新算法的聚类效果与稳定性都优于已有的无监督学习方法.