[发明专利]基于邻域信息和平均差异度的K‑means初始聚类中心优选方法

摘要

本发明公开一种基于邻域信息和平均差异度的K‑means初始聚类中心优选方法，包括S1、输入n个对象的样本集X＝{X1，X2，…，Xi，…，Xn}，确定聚类数K，初始化当前确定的初始聚类中心个数k＝0；S2、形成距离矩阵D；S3、确定邻域半径值δ；S4、计算每个样本点Xi的δ邻域内样本数量Ni，形成矩阵N；S5、将N中δ邻域内样本数量最大Ni对应的样本点Xi作为第1个聚类中心C1，k＝k+1，将N中相应Ni置0；S6、寻找N中δ邻域内样本数量最大Nj对应的样本点Xj，计算其与聚类中心{C1，C2，…，Ck}的距离，将N中相应Nj置0；S7、若Xj与聚类中心的距离均不小于平均差异度M，则k＝k+1，Ck+1＝Xj，否则返回S6；S8、若当前聚类中心个数k等于聚类类别数K，输出K个初始聚类中心，否则返回S6；S9、运用K‑均值聚类算法对整个样本集进行聚类，输出聚类结果。

主权项

一种基于邻域信息和平均差异度的K‑means初始聚类中心优选方法，其特征在于，包括：S1、输入n个对象的样本集X＝{X1，X2，…，Xi，…，Xn}，Xi为m维向量，确定聚类类数K，初始化当前确定的初始聚类中心个数k＝0；S2、计算样本集中对象两两之间的距离，并形成距离矩阵D；S3、计算样本集总体平均差异度M，确定邻域半径值δ，S4、基于距离矩阵D，计算每个样本点Xi的δ邻域内样本数量Ni，形成矩阵N；S5、将矩阵N中δ邻域内样本数量最大Ni对应的样本点Xi作为第1个聚类中心C1，令k＝k+1，并在矩阵N中将最大Ni置0；S6、继续查找矩阵N中δ邻域内样本数量最大Nj对应的样本点Xj，计算其与已有聚类中心{C1，C2，…，Ck}的距离，并在矩阵N中将最大Nj置0；S7、若Xj与{C1，C2，…，Ck}中聚类中心的距离均不小于平均差异度M，则k＝k+1，Ck+1＝Xj，否则返回步骤S6；S8、若当前聚类中心个数k等于聚类类别数K，则输出K个初始聚类中心C＝{C1，C2，…，CK}，否则返回步骤S6；S9、运用K‑均值聚类算法对整个样本集进行聚类，输出聚类结果。