基于Hash改进的k-means算法并行化设计

　　为了解决kmeans算法在Hadoop平台下处理海量高维数据时聚类效果差，以及已有的改进算法不利于并行化等问题，提出了一种基于Hash改进的并行化方案。将海量高维的数据映射到一个压缩的标识空间，进而挖掘其聚类关系，选取初始聚类中心，避免了传统k-means算法对随机选取初始聚类中心的敏感性，减少了k-means算法的迭代次数。又结合MapReduce框架将算法整体并行化，并通过Partition、Combine等机制加强了并行化程度和执行效率。实验表明，该算法不仅提高了聚类的准确率和稳定性，同时具有良好的处理速度。