一种基于样本密度的全局优化K均值聚类方法及系统

摘要

本发明针对传统K均值聚类方法中存在的聚类结果依赖于初始聚类中心极易陷入局部最优的问题，提出一种基于样本密度的全局优化K均值聚类KMS‑GOSD方法及系统。在迭代过程中，KMS‑GOSD方法首先通过高斯模型得到所有聚类中心的预估计密度值，然后将实际密度值低于预估计密度值最大的聚类中心进行偏移操作。通过优化聚类中心位置，KMS‑GOSD方法不仅能提升全局探索能力，而且可以克服对聚类初始中心点的依赖性。采用标准的UCI数据集进行本发明对比，发现改进后的方法相比传统的方法有较高的准确率和稳定性。