基于空间距离自适应权重度量的粗糙K-means算法

摘要：

粗糙K-means算法中下近似和边界区域权重系数的设置对算法的聚类效果有着重要的影响.传统的粗糙K-means算法及很多改进的粗糙K-means算法对所有类簇的下近似和边界区域设置固定的权重,忽视了簇内数据对象分布差异性的影响.针对这个问题,根据下近似和边界区域的数据对象相对于类簇中心的空间分布情况,提出一种新的基于空间距离自适应权重度量的粗糙K-means算法.该算法在每次迭代过程中,根据每个类簇的下近似和边界区域的数据对象相对于类簇中心的平均距离,综合度量下近似和边界区域对于类簇中心迭代计算的不同重要程度,动态地计算下近似和边界区域的相对权重系数.通过实例验证及实验仿真证明了所提算法的有效性.

关键词：粗糙K-means、粗糙集、聚类算法、自适应权重

所属期刊栏目：45

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金项目 61403184 ,江苏省高校自然科学研究重大项目17KJA120001 ,江苏省"青蓝工程"基金QL2016 ,南京邮电大学"1311人才计划"基金NY2013 ,南京邮电大学科研项目基金NY215149

在线出版日期：2018-08-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：190-196