论文部分内容阅读
作者针对传统k－means初始点的选择提出基于最小距离的优化算法。首先构造数据点集的带权无向图，更新数据点间的最小距离，然后利用最小距离获取数据点的密度函数，通过数据点的密度获取初始聚类中心，最后根据带权无向图中的路径长度获取邻近数据点形成初始聚类，对初始聚类内的数据点平均得到该类簇的聚类中心。实验结果表明，在相同的条件下所提算法在聚类效果上优于传统的k－means算法。