论文部分内容阅读
K-Means算法是一种经典的无监督聚类分析算法,具有运行速度快易于实现等优点,但使用该算法时需要指定聚类数目,且质心的选择具有不确定性。针对上述不足,提出一种基于最大最小距离和BWP指标相结合的K-Means算法。通过对UCI数据库中的4个数据集仿真实验的结果表明,所提出的改进算法在算法的准确率、聚类效果两方面均优于传统的K-Means算法以及基于最大最小距离的K-Means算法。