分级聚类与k-均值核聚类相结合的聚类算法

摘要：

聚类特点是输入空间的样本没有理想输出,因此它属于无监督模式识别问题.对于聚类问题,就是根据样本之间的某种相似度,将比较相近的样本自组织地聚集到一类.一般聚类的目标,就是使得类内距离最小和类间距离最大.其中分级聚类和k-均值聚类是两种的比较常用聚类方法.但此两种方法各有自己的优缺点.分级聚类精度高,但由于计算复杂度太大,不适合大规模样本的聚类.K-均值聚类计算复杂度较低,但是受初始聚类中心的选择影响较大,并且在假设同一类样本只有一个聚类中心聚类效果较好,如果有多个,则聚类效果不佳。本文研究分级聚类与k-均值核聚类相结合的聚类算法。

关键词： 分级聚类 k-均值核聚类 Mercer核函数 模式识别

作者: 李广斌 梁久祯

作者单位: 浙江师范大学数理与信息工程学院,金华,321004

会议类型: 国内会议

会议名称: 第六届中国Rough集与软计算学术研讨会(CRSSC”2006)

会议地点: 浙江金华

会议语种:中文

页码: 130-132

在线出版日期: 2006-10-30（万方平台首次上网日期，不代表论文的发表时间）