初始聚类中心

摘要： 传统的模糊C均值(Fuzzy C-means,FCM)算法对噪声数据敏感,并且在迭代过程中因仅考虑了距离因素,故使用欧氏距离进行距离度量,这会导致只考虑样本点之间的局部一致性特征,而忽略全局一致性特征的问题,为此,提出了一种基于密度敏感距离和模糊划分的改进FCM算法。首先在建立相似度矩阵时使用密度敏感距离替代欧氏距离来进行计算,然后在聚类过程中引入模糊熵作为约束条件,推导出新的聚类中心和具有高斯分布特性的隶属度计算公式。此外,针对传统FCM算法随机选取初始聚类中心可能导致聚类结果不稳定的问题,根据聚类中心点周围样本点比较密集以及聚类中心点之间距离较远两个原则,结合密度敏感距离来选取初始聚类中心点。最后通过实验对比表明,与传统FCM聚类算法及其派生算法相比,改进算法不仅具有更高的聚类性能和抗噪性,且收敛速度也显著提高。

摘要： 大学生的个体因素直接影响着大学生的就业状况,分析个体内驱因素可以预测大学生求职的能力.该文利用改进的K-means算法对大学生就业内驱因素进行聚类分析,建立求职内驱因素路径数据模型,优化内驱因素路径,为就业指导教育和大学生求职能力提升提供参考.

摘要： 针对传统的K-means算法运行的结果依赖于初始的聚类数目和聚类中心,本文提出了一种基于优化初始聚类中心的K-means算法。该算法通过量化样本间距离和聚类的紧密性来确定聚类数目K值;根据数据集的分布特征来选取相距较远的数据作为初始聚类中心,避免了传统K-means算法的聚类数目和聚类中心的随机选取。UCI机器学习数据库数据集的实验证明,本文所提出的改进的聚类算法获得了良好的聚类效果,同时获得较高的聚类准确率。

摘要： 经典K-means算法在数据分布不均匀的情况下,随机选择初始聚类中心点会导致结果不稳定,文章针对上述问题提出了一种稳定算法。采用距离计算数据样本空间密度,令密度最大区域簇内误差平方和最小点作为第一个初始聚类中心,删除以该样本点为中心,平均距离为半径的数据集,对剩余数据集继续采用上述方法查找初始聚类中心,重复上述过程直至找到K个聚类中心点。使用UCI数据集和经典聚类算法实验结果进行对比,实验结果表明算法能够快速找到聚类初始区域中心点,避免随机初始中心点对算法的影响,从而提升聚类准确性和算法的稳定性。

摘要： 针对FCM算法在图像分割时存在选取初始聚类中心不佳与算法抗噪性差的问题,提出一种融合空间信息的改进FCM图像分割算法;首先采用了直方图算法和LOF算法自适应地选取初始聚类中心,之后使用马尔科夫随机场得到先验概率改进目标函数,使用修正隶属度矩阵的方法改进算法流程,最后使用改进算法进行图像分割;为验证该算法性能,使用Berkeley图像数据集作为实验数据,选取Dice系数、JS系数、SA系数、PSNR指数、运行时间及迭代次数作为评价标准;实验结果表明,该算法能够获取更优初始聚类中心,在处理不同噪声图像上有更好的鲁棒性。

摘要： 阐述K-means算法是一种根据距离作为划分标准的经典聚类算法,应用广泛,但其对初始聚类中心的选取具有依赖性和较强敏感性等问题。为适应不同领域需求,可以根据数据集的特点对K-means算法进行改进。探讨对K-means算法在受力分析中的应用,采用基于受力面数据分布密度进行初始聚类中心设置的改进K-means算法,通过柔性压力传感器阵列采集人体臀部和腿部对坐凳坐垫受力面的压力数据,利用两种K-means算法对数据分别进行处理分析。实验结果表明,改进的K-means算法在分析结果准确率、稳定性方面优于传统K-means算法。

摘要： 聚类分析是数据挖掘的重要技术,而在5G时代,海量的数据维度高、数据集大,利用K-means算法易受离群点的影响,且K值、初始聚类中心的选取影响聚类结果的稳定性和准确率,甚至导致聚类陷入局部最优,对K-means算法的改进受到众多研究者的关注。主要对K-means聚类的研究现状进行归纳总结。首先,介绍K-means算法的思想原理;其次,针对初始聚类中心点的选取、K值确定、离群点对现有改进算法进行基于密度和距离的分类总结,并对各个改进算法的优势和缺陷进行分析;最后对K-means算法未来可能的研究方向和趋势进行展望。

摘要： 高校贫困生资助一直以来是社会关注的重点,但贫困生判别问题是一项较为复杂的社会问题。为了准确科学地判别贫困生,研究采用k-means算法对学生校园卡日常消费数据进行聚类,分析学生贫困程度。但传统k-means算法对初始聚类中心选取较为敏感,容易陷入局部最优解,各维特征的权重也相同。研究针对这些不足进行改进,提出了基于平均密度与最远距离的变异加权k-means算法,利用变异系数作为权值,将密度最大的点作为初始聚类中心点,迭代选出k个距离初始中心点集最远的点作为初始聚类中心。改进的算法具有较高的聚类精度,聚类结果也更加稳定。在UCI数据集上的实验结果表明,本文方法具有较好的识别准确性,从而验证了本文方法的有效性,进而实现了贫困生判别。

摘要： 模糊C均值(FCM)聚类算法无法识别非凸数据,算法中基于欧式距离的相似性度量只考虑数据点之间的局部一致性特征而忽略了全局一致性特征.提出一种利用密度敏感距离度量创建相似度矩阵的FCM算法.通过近邻传播算法获取粗类数作为最佳聚类数的搜索范围上限,以解决FCM算法聚类数目需要人为预先设定和随机选定初始聚类中心造成聚类结果不稳定的问题.在此基础上,改进最大最小距离算法,得到具有代表性的样本点作为初始聚类中心,并结合轮廓系数自动确定最佳聚类数.基于UCI数据集和人工数据集的实验结果表明,相比经典FCM、K-means和CFSFDP算法,该算法不仅具有识别复杂非凸数据的能力,而且能够在保证聚类性能和稳定性的前提下加快收敛速度.

摘要： 传统K-means聚类算法通过欧式距离计算样本的相似度,将数据所有的属性特征均平等对待,忽略每个属性特征的不同贡献,导致样本相似度计算的准确率不高.针对这个不足,提出一种特征加权的K-means算法进行优化.首先,运用Softmax和Sigmoid逻辑回归函数计算特征权重,使得加权的欧式距离更能准确地表示样本相似度;其次,优化初始聚类中心选择策略,选择距离较大的K个样本作为初始聚类中心,可有效避免样本的错误聚类及空簇问题.实验结果表明,在UCI标准数据集中采用加权K-means聚类算法可以有效减少迭代次数,提高聚类的准确率、精确率和召回率.

摘要： K-means聚类算法简单高效,适合处理大规模数据,在文本挖掘领域应用广泛,但算法对初始聚类中心的选择非常敏感.本文基于LDA主题模型提出一种优化K-means初始聚类中心的算法.首先通过LDA主题抽取降低文档特征向量维度,将文档映射到主题空间,通过文档的主题特征确定初始聚类中心的选择;然后,利用平均准确率、F-Score和熵作为文本聚类效果评价指标,对选取的初始聚类中心的聚类结果进行评价.选取标准的机器学习语料库20newsgroup中的数据集作为试验数据,实验结果表明该方法可以根据文本语义信息优化Kmeans初始聚类中心的选择,提高K-means文本聚类效果.

摘要： 为了提高网络行为的聚类有效性与准确性,提出了基于轮廓系数的初始聚类中心优化的改进K-means算法.该算法多次调用传统K-means算法进行聚类,根据K类中心的轮廓系数以及各样本与类中心的距离,自适应地选取优秀样本,求其均值作为初始聚类中心,并在多个UCI数据集上的实验表明,该算法聚类时间上保持了传统K-means算法的优势,提高了聚类的有效性与准确性.

摘要： 在传统的K-means聚类算法中，初始聚类是随机选取的，其聚类结果易随着不同的初始聚类中心波动。针对这一问题，本文首先采用最大距离积法对传统K-means聚类算法的初始聚类中心进行了优化。同时定义了一种新的目标函数并将其引用到传统的K-means聚类算法中，以实现对聚类结构类别数K的优化选择。将训练集样本数据经上述方法聚类后，再将各个子类分别建立基于支持向量机的子模型，通过开关切换的方式连接各子模型得到组合的支持向量机模型。将该方法应用于双酚A生产过程的缩合反应单元溶解罐出口苯酚含量的软测量建模。工业实例仿真结果表明：该算法能较好地跟踪苯酚含量的变化趋势，有效地改善了数据分类效果，提高了软测量模型的估计精度，显示了它在工业领域的应用潜力。

摘要： 本文针对纺织品彩色印花图案,基于L*a*b*颜色空间采用K均值聚类进行图像分割.在保证不改变印花图案的前提下,通过对印花图案图像进行缩略,得到缩略图,在缩略图上进行第一次聚类,获得第二次K均值聚类的初始聚类中心,再在原始印花图案图像上进行第二次K均值聚类,实现了印花图案的分割.实验结果表明,采用此二次聚类的方法,大大减少了K均值聚类的迭代次数,使聚类计算量和运行时间大大降低,并很好实现了对印花图案的颜色分割.

摘要： 针对传统的模糊C均值(Fuzzy C-Means,FCM)图像分割算法效率较低和分割结果对噪声敏感等问题,本文提出了一种改进的模糊C均值图像分割算法.该方法可以有效的根据图像灰度分布信息选取初始聚类中心,同时充分考虑了邻域像素的对于聚类的影响.实验表明,本算法能够根据图像特征自动初始化合适数量的近似聚类中心;对噪声图像具有较好的分割效果.

摘要： 现有的灾变模糊聚类神经网络，像大多数非线性优化问题一样，聚类结果的好坏受初始值选择的影响很大。针对灾变模糊聚类神经网络的初始聚类数和聚类中心的确定问题，提出了一种根据样本点，采用基于密度和网格的方法，自动确定聚类数和聚类中心的方法。经实验验证，方法可行，井且可以有效地缩短样本的聚类时间。对灾害预测预报有着重要的理论意义和现实意义。

摘要： 现有的灾变模糊聚类神经网络，像大多数非线性优化问题一样，聚类结果的好坏受初始值选择的影响很大。针对灾变模糊聚类神经网络的初始聚类数和聚类中心的确定问题，提出了一种根据样本点，采用基于密度和网格的方法，自动确定聚类数和聚类中心的方法。经实验验证，方法可行，井且可以有效地缩短样本的聚类时间。对灾害预测预报有着重要的理论意义和现实意义。

摘要： 现有的灾变模糊聚类神经网络，像大多数非线性优化问题一样，聚类结果的好坏受初始值选择的影响很大。针对灾变模糊聚类神经网络的初始聚类数和聚类中心的确定问题，提出了一种根据样本点，采用基于密度和网格的方法，自动确定聚类数和聚类中心的方法。经实验验证，方法可行，井且可以有效地缩短样本的聚类时间。对灾害预测预报有着重要的理论意义和现实意义。

摘要： 现有的灾变模糊聚类神经网络，像大多数非线性优化问题一样，聚类结果的好坏受初始值选择的影响很大。针对灾变模糊聚类神经网络的初始聚类数和聚类中心的确定问题，提出了一种根据样本点，采用基于密度和网格的方法，自动确定聚类数和聚类中心的方法。经实验验证，方法可行，井且可以有效地缩短样本的聚类时间。对灾害预测预报有着重要的理论意义和现实意义。

摘要： 本发明涉及一种基于最小距离最大化准则优化初始中心的模糊聚类方法，包括以下步骤：a.求解样本点中任意两点之间的欧式距离；b.计算每个点到其他点的距离的平均值；c.确定第一个聚类初始中心；d.确定稠密样本点集合；e.确定下一个聚类初始点；f.重复步骤e，直至选取所有所需的初始聚类点个数。根据本发明的基于最小距离最大化准则优化初始中心的模糊聚类方法相比于标准FCM方法能够考虑对象的空间分布特性，且具有更好的聚类效果和鲁棒性，具有更高的效率。

摘要： 本发明公开了一种面向图像分割的模糊C‑均值聚类初始聚类中心自动选取方法，首先初始化一个大小为256的数组count，count[i]为灰度值i在给定灰度图像中的出现次数；然后计算各灰度值i的局部密度Pi；接着对具有局部密度的灰度值i设置对应的minDist[i]；计算一个合适阈值τ将相关的minDist[i]分成一大一下两组；最后返回minDist[i]大于τ的所有灰度值i作为在给定灰度图上运行模糊C‑均值聚类算法的初始聚类中心。本发明可有效改善随机选择初始聚类中心带来的模糊C‑均值聚类所需迭代次数过多、聚类结果易于陷入局部最优解的问题，从而提升图像分割的运行效率和分割质量。

摘要： 本发明公开了一种基于RFID数据强度‑时间分布的初始聚类中心优化选取方法，包括以下子步骤：根据移动扫描终端的移动速度、货包规格确定时间跨度；将经过预处理后的RFID数据集从起始时间开始，对每一个时间跨度内强度值大于设定阈值的数据进行筛选；计算每个时间跨度内数据的平均强度，并将平均强度和对应时间跨度时间区间的右端点进行保存；利用爬山法对保存的平均强度根据强度阈值进行聚类中心区域和非聚类中心区域划分；对于被划分为聚类中心区域的连续时间区间进行区间相连，取相连形成的区间的时间中点作为初始聚类中心，求出所有初始聚类中心。本发明利用RFID扫描数据的强度‑时间分布规律选取初始聚类中心，改善聚类中心的选取，提高聚类结果的准确性及稳定性。

摘要： 本发明提供一种基于K‑均值聚类算法的初始聚类中心确定方法及装置，能够快速、准确地从大量的微博数据中发现舆情热点话题。所述方法包括：获取数据对象集合，其中，所述数据对象集合包括：微博文档集合；确定数据对象集合中每个数据对象与其它数据对象间的平均相似度，获取平均相似度大于等于预先设定的密度阈值的数据对象作为核心对象；从核心对象中选取彼此间最不相似的多个核心对象作为K‑均值聚类算法的初始聚类中心，以便K‑均值聚类算法根据得到的初始聚类中心进行聚类。本发明涉及机器学习领域。

摘要： 本发明公开了一种基于最小生成树与初始聚类中心的聚类算法，包括以下步骤：S1：输入待聚类的数据集D及其类别数K；S2：构造数据集的最小生成树TD，并计算最小生成树TD中任意两个节点间的测地距离；S3：选取初始聚类中心；S4：构造初始聚类中心的最小生成树Ti；S5：断开数据集的最小生成树TD的K‐1条边。本发明将最小生成树聚类算法与初始聚类中心选取加以结合，将待删除边限定在初始聚类中心之间的路径上，并且通过构成路径上边的密度与距离的综合值来准确找到待删除边，从而进一步提高聚类准确率，同时也避免了数据集中噪声的干扰。

摘要： 本发明公开了一种最小方差优化初始聚类中心的模糊C均值聚类方法，属于数据挖掘与模式识别技术领域，包括以下步骤：对输入数据集与样本点的距离关系进行聚类；将聚类分析方法用于对目标数据集聚类分析得到聚类标签；聚类分析后得到的聚类标签与原始标签依据评价指标进行性能评价。本发明旨在解决模糊C均值的聚类效果受其初始化的聚类中心影响较大、不能保证得到最优解的问题，在FCM算法的基础上先进行初始聚类中心的选取，选取FCM初始聚类中心是以样本的方差作为启发信息，以样本的领域半径，选取K个位于不同区域上方差最小的样本点作为初始聚类中心，该算法不需要设置任何参数。

摘要： 本发明涉及一种初始聚类中心选取方法，包括以下步骤：S1，从样本点中任选一个样本点作为第一类的聚类中心点；S2，计算剩余样本点到第一类的聚类中心点的欧氏距离，令欧氏距离最大的点作为第二类的聚类中心点；S3，分别计算各剩余样本点与已得到的各聚类中心点之间的欧氏距离d

摘要： 本发明公开了一种面向图像分割的模糊C‑均值聚类初始聚类中心自动选取方法，首先初始化一个大小为256的数组count，count[i]为灰度值i在给定灰度图像中的出现次数；然后计算各灰度值i的局部密度Pi；接着对具有局部密度的灰度值i设置对应的minDist[i]；计算一个合适阈值τ将相关的minDist[i]分成一大一下两组；最后返回minDist[i]大于τ的所有灰度值i作为在给定灰度图上运行模糊C‑均值聚类算法的初始聚类中心。本发明可有效改善随机选择初始聚类中心带来的模糊C‑均值聚类所需迭代次数过多、聚类结果易于陷入局部最优解的问题，从而提升图像分割的运行效率和分割质量。

摘要： 本发明提供了一种基于决策值选取初始聚类中心改进的K‑means算法，操作如下：输入：数据集D，聚类簇数k；输出：聚类结果C。Step1.对D中的每个数据对象，计算样本点xi的局部密度ρi，计算样本点xi的相对距离δi；Step2.根据样本点xi的局部密度和相对距离计算决策值γi，并按照决策值大小进行降序排列，构造以样本点总数n为横轴，决策值γ为纵轴的决策值图；Step3.根据输入的聚类簇数，自动选取k个远离平滑区域，且决策值较大的样本点作为初始聚类中心。Step4.根据距离最近原则确定样本点所属簇标记，将样本点xj划入相对应的簇；Step5.利用各簇的中位数代替原来的平均值，重新计算新的聚类中心μ′i；如果μ′i≠μi，则更新聚类中心，转至step4；否则，算法收敛，输出最终聚类结果，聚类结束。

摘要： 本发明提供一种针对微博评论文本的K‑means初始聚类中心确定方法，能够快速、准确地确定微博评论文本的最优初始聚类中心。所述方法包括：S1,从微博评论向量集合中选取被点赞过的评论加入到核心评论簇中，并按照评论点赞数从大到小，对核心评论簇中的评论进行排序；S2,选取排序后的核心评论簇中的第一个评论作为中心评论，计算中心评论与核心评论簇中的评论的距离；S3,将核心评论簇中与中心评论的距离小于设定距离阈值的评论删除，并将中心评论加入到初始聚类中心簇中；S4,返回继续执行S2和S3，直至核心评论簇中评论数为0，此时初始聚类中心簇中的评论为微博评论向量集合最终的初始聚类中心。本发明涉及网络通信技术领域。