基于捕获流动中心试点的自适应K-means算法

发布时间：2018-04-19 10:32

  本文选题：聚类 + K-means算法　； 参考：《统计与决策》2017年19期

【摘要】：文章回顾了经典的K-means算法,分析了其存在的两个突出缺点:无法自行确定聚类数k和对初始聚类中心点十分敏感。受光电效应实验中电子束在反向电场中的串行规律启发,提出了基于捕获流动中心试点的自适应确定聚类数目的K-means算法,该算法模拟电子束在异性电子云中的串行,令数据点簇捕获流动的聚类中心试点,来消除多余的初始聚类中心,从而达到解决K-means算法的存在的缺陷问题。实验表明,该算法具有很强的自行确定聚类数的能力,也大大降低了对初始聚类中心选择的敏感度。
[Abstract]:In this paper, we review the classical K-means algorithm, and analyze its two outstanding shortcomings: the inability to determine the clustering number k and the sensitivity to the initial clustering center point.Inspired by the serial rule of electron beam in reverse electric field in optoelectric effect experiment, this paper presents an adaptive clustering algorithm based on trapping flow center experiment, which simulates the serial of electron beam in anisotropic electron cloud.In order to eliminate the superfluous initial clustering centers, the data clusters are used to capture the flow clustering centers in order to solve the defects of the K-means algorithm.The experimental results show that the algorithm has a strong ability to determine the number of clusters and greatly reduces the sensitivity of the initial cluster center selection.
【作者单位】： 华中科技大学软件学院;
【基金】：湖北省自然科学基金资助项目(2016000346)
【分类号】：TP311.13

【相似文献】

相关期刊论文 前10条

1 李旭;林伟;温金环;史彩云;;基于图谱理论的图像聚类数的确定及应用[J];工程数学学报;2012年05期

2 宋铭利;高新科;;基于距离的最大聚类数探索算法的探讨[J];矿山机械;2006年09期

3 田彦山;;基于山峰聚类的聚类上限确定方法[J];江西师范大学学报(自然科学版);2007年02期

4 孙吉贵;刘杰;赵连宇;;聚类算法研究[J];软件学报;2008年01期

5 于慧娟;崔军;毋晓志;李伟;;一种改进的凝聚图聚类方法[J];山西煤炭管理干部学院学报;2010年03期

6 崔军;郭春艳;贾宗维;;一种连通非加权图的快速聚类方法[J];计算机工程与应用;2008年07期

7 岳清华;郑刚;;一种动态心电图波形聚类策略的研究[J];天津理工大学学报;2008年01期

8 陈华 ,丁杰伟;自适应坐标格绘制的实现[J];电脑编程技巧与维护;2000年12期

9 侯勇严,孙瑜,郭文强;一种自适应模糊PID控制器的仿真研究[J];陕西科技大学学报;2004年02期

10 王华;应晶;蒋涛;;基于审查不确定性的预见式软件自适应[J];浙江大学学报(工学版);2010年01期

相关会议论文 前10条

1 王蓬;宋明玉;张林芳;王新远;;广义自适应相干累积算法改进及其在线谱增强中的应用[A];中国声学学会2007年青年学术会议论文集（上）[C];2007年

2 陈博;方滨兴;云晓春;;一种自适应的蠕虫检测和遏制方法的研究[A];全国网络与信息安全技术研讨会'2005论文集（上册）[C];2005年

3 李国;张心珂;杨国庆;高庆吉;;一种自适应的运动目标实时跟踪算法[A];2006年首届ICT大会信息、知识、智能及其转换理论第一次高峰论坛会议论文集[C];2006年

4 高翠芳;吴小俊;;基于二阶差分的聚类数自动确定方法[A];江苏省系统工程学会第十一届学术年会论文集[C];2009年

5 杨寒光;;电子地图中的自适应注记[A];工程设计与计算机技术：第十五届全国工程设计计算机应用学术会议论文集[C];2010年

6 孟宏;刘玉;;基于复调制的自适应细化谱算法[A];2008中国仪器仪表与测控技术进展大会论文集（Ⅰ）[C];2008年

7 唐文彬;郝重阳;;目标成像识别的自适应融合系统和方法[A];中国图象图形科学技术新进展——第九届全国图象图形科技大会论文集[C];1998年

8 刘洋;江志纲;丁增喜;王大玲;鲍玉斌;于戈;;一种基于图的聚类算法GB-Cluster[A];第十九届全国数据库学术会议论文集（技术报告篇）[C];2002年

9 李浪波;傅彦;刘红;;基于范例推理的网格和密度聚类算法[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

10 贾棋;于玉龙;郭禾;李豪杰;;基于自适应模板的快速人脸检测[A];第七届和谐人机环境联合学术会议（HHME2011)论文集【poster】[C];2011年

相关博士学位论文 前10条

1 王振佳;基于基因表达数据的双聚类算法研究[D];山东大学;2016年

2 任敏;自适应模糊聚类算法及其在入侵检测中的应用研究[D];山东师范大学;2017年

3 王蓉芳;基于协同进化优化和图像先验的分块自适应压缩感知[D];西安电子科技大学;2014年

4 胡雅婷;可能性聚类方法研究及应用[D];吉林大学;2012年

5 王纵虎;聚类分析优化关键技术研究[D];西安电子科技大学;2012年

6 周世兵;聚类分析中的最佳聚类数确定方法研究及应用[D];江南大学;2011年

7 杨燕;基于计算智能的聚类组合算法研究[D];西南交通大学;2006年

8 冯永;基于计算智能的聚类技术及其应用研究[D];重庆大学;2006年

9 刘晨;高伸缩性聚类分析方法研究[D];哈尔滨工程大学;2013年

10 王强;局部叠加基因表达模式聚类分析方法研究[D];哈尔滨工业大学;2012年

相关硕士学位论文 前10条

1 魏建东;K-means初始化算法研究[D];南京理工大学;2015年

2 张依;基于MapReduce的k-means聚类算法并行化研究[D];中央民族大学;2015年

3 刘婵;蚁群与K均值聚类算法融合研究及其在用户分群中的应用[D];西南科技大学;2015年

4 朱琪;基于减法聚类的混合算法研究[D];湖南科技大学;2015年

5 韩伟森;聚类集成研究与应用[D];贵州大学;2015年

6 谭浩;K-Means算法改进及其在森林健康评价中的应用[D];中南林业科技大学;2015年

7 严巍;以KPCA为核心的FCM算法改进[D];成都理工大学;2015年

8 汪娟;基于权重设计的聚类集成算法研究[D];重庆大学;2015年

9 牛品菽;基于图模型的高效聚类算法研究[D];北京交通大学;2016年

10 蔡洪山;大数据分析中的聚类算法研究[D];安徽理工大学;2016年

，

本文编号：1772729