一般说来,离群点是远离其他数据点的数据,但很可能包含着极其重要的信息。对离群点进行识别是相当重要的,它不但能够提高分析的质量,而且能够发现和研究离群点。本文对算法如何初始化参数进行了比较研究,提出用类心作为初始化参数并说明了其优点。针对聚类目标函数的选择,本文提出了一种全新的聚类目标函数——采用核空间类心的距离,即类心的核距离作为聚类的目标函数,并给出了该目标函数的推导过程。通过对本文算法和现有算法目标函数搜索空间的比较,得出文中算法的目标函数是较优的。本文还对算法的空间复杂度和时间复杂度进行了分析,说明本文算法在时间复杂度上比现有算法小。通过对仿真数据和真实数据的实验,测试了算法的可行性和有效性。首先,针对不同的数据集选取了不同的核函数进行了实验,并针对不同聚类目标函数进行了对比分析;其次,结合算法如何初始化参数的分析,对不同初始点对算法灵敏度的影响进行了比较实验;最后,本文对权重常量和权重指数的变化对聚类结果的影响进行了分析,给出了理论上的解释,并结合隶属度和权重系数的图进行了验证。实验结果表明改进算法能在保持聚类效果的前提下,很大程度的提高算法的收敛速度,大大减少算法整体的运行时间。