首页|基于模拟划分的SP?k?means?+算法

基于模拟划分的SP?k?means?+算法

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
I-k-means−+算法作为一种新的k-means目标函数优化算法,通过分裂与删除簇提高解的质量,在一定程度上克服了k-means算法容易陷入局部最优解而导致目标函数优化效果不佳的问题,但该算法采用一种比较粗糙的方式估计各簇的Gain值和Cost值,影响了目标函数优化效果.针对此问题本文提出了一种基于模拟划分的SP-k-means−+算法,根据各簇模拟划分的情况,更准确地计算各簇的Gain值和Cost值,降低了簇对匹配过程中漏检与误判的可能性,在每次迭代中选择更合适的簇对执行分裂删除操作,进一步优化了目标函数并且避免了无效迭代造成的冗余计算问题.实验结果表明:当无需−+操作时,本文算法与I-k-means−+算法的目标函数一致且效率提升了16％;当需要−+操作时,本文算法在不降低计算效率的前提下目标函数优化效果较I-k-means−+算法更佳,聚类模型解的精度提高了10％以上,最高达到47％.
SP⁃k⁃means-+algorithm based on simulated partition

杨勇、陈强、曲福恒、刘俊杰、张磊

展开 >

长春理工大学 计算机科学技术学院,长春 130022

长春师范大学 教育学院,长春 130032

人工智能 I-k-means−+ 目标函数优化 分裂与删除 模拟划分 合适的簇对

JJKH20181164KJ41671397GH19086

2021

10.13229/j.cnki.jdxbgxb20200645

吉林大学学报(工学版)
吉林大学

吉林大学学报(工学版)

CSTPCDCSCD北大核心
影响因子：0.792
ISSN：1671-5497
年,卷(期)：2021.51(5)
  • 8