资料下载
使用模拟退火与贪心策略的平衡聚类算法的介绍
分享资料个
针对现实 应用通常要求聚类的结果相对平衡的问题，提出了一种基于模拟退火与贪心策略的平衡聚类算法（BCSG），该算法包括基于模拟退火的初始点选择算法（SACI）与基于贪心策略的平衡聚类算法（ BCGS）2个步骤，以提高平衡聚类算法的聚类效果与时间性能。首先基于模拟退火在数据集中快速定位出K个合适的数据点作为平衡聚类初始点，然后每个中心点分阶段贪婪地将距离其最近的数据点加入簇中直至达到簇规模上限。在6个UCI真实数据集与2个公开图像数据集上进行的聚类对比实验结果表明：在簇数目较大时相比Fuzzy C-Means聚类结果平衡度最高提升了50%以上;聚类结果的准确率相比BalancedK-Means、BCLS两个表现较好的算法平均提高了8个百分点;算法时间复杂度也更低，在较大规模的数据集上运行时间比BalancedK-Mcans最高减少了近40%。实验结果表明BCSG具有更佳的聚类效果和时间性能。
随着知识化。智能化时代的到来，人们已经认识到，对现实中产生的数据利用数据挖掘算法可以从中挖掘未知知识来获得巨大价值。聚类作为数据挖掘领域的-一个常用算法，也是机器学习中广泛运用的无监督学习方法，它可以在无任何先验知识数据集中发现其潜在模式。自20世纪60年代至今，多种不同的聚类算法相继被提出，包括K-Means‘s、层次聚类“、DBSCAN （ Density-Based Spatial Clustering ofApplications with Noise ） 、 Fuzzy C-Means（ FCM ） 、谱聚类141等，并被广泛应用到多个领域，如模式识别、图像处理、信息检索等
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
