论文部分内容阅读
针对 K-调和均值算法中距离度量将所有属性视为相等重要而存在的不足，提出一种利用自动属性加权的改进聚类算法。在算法的目标函数中，用加权欧氏距离替代传统的欧氏距离，并证明了使得算法能够收敛的属性权重更新机制。为进一步提高聚类性能，将粒子群算法融入到改进的属性加权聚类算法中以抑制其陷于局部最优，其中采用聚类中心和属性权重的值同时表示粒子的位置进行寻优。在 UCI 数据集的测试结果表明，该算法的聚类指标平均提高了约9个百分点，具有更高的聚类准确性和稳定性。