粒K均值聚类算法

摘要：

K均值聚类属于无监督学习,具有简单易用、可解释性强和聚类效果佳的优点.然而,其算法收敛速度慢,参数难以确定,易陷入局部解.为了克服K均值聚类的固有缺陷,结合粒计算理论,提出了一种新型的聚类模型:粒K均值聚类算法.样本在单特征上粒化成粒子,多特征上的粒子形成粒向量;进一步定义多种粒距离公式,用来度量粒子之间的距离.根据粒距离度量,提出一种粒K均值聚类方法,并设计粒K均值聚类算法.样本粒化是在全部样本空间中进行相似度比较,反映了样本的全局特性,使得聚类收敛迭代次数较少,更容易得到全局最优解.采用多个UCI公开数据集进行实验,从收敛速度、K值影响与聚类效果多方面进行比较,其结果表明所提出的K均值聚类方法具有收敛速度快及聚类效果佳的优点.

关键词：K均值聚类、粒计算、粒距离、无监督学习、粒聚类

所属期刊栏目：59

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;福建省自然科学基金项目

在线出版日期：2023-07-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：317-324