一种决策值选取初始聚类中心改进的K-means算法

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。