基于局部密度和single‑pass的核k均值方法

摘要

本发明公开的基于局部密度和single‑pass的核k均值方法，首先，利用局部密度选择具有高密度且低相似性的初始类中心点；其次，从数据集中随机抽取包含这些初始中心点的样本数据集，对样本数据集使用传统方法进行聚类，并对聚类结果中的每个类使用梯度下降法进一步优化，确定准确的类中心点；最后，将剩余的数据点依次划分到距离最近的类中。实验证明，该方法的计算效率相比传统的kernel k‑means算法有较大的提高，同时具有更准确的聚类结果。本发明基于局部密度和single‑pass的核k均值方法解决了传统kernel k‑means算法初始中心点不确定及时间复杂度过高的问题。