基于改进粒计算的K-medoids聚类算法

doi:10.11772/j.issn.1001-9081.2014.07.1997

计算机应用 ›› 2014, Vol. 34 ›› Issue (7): 1997-2000.DOI: 10.11772/j.issn.1001-9081.2014.07.1997

基于改进粒计算的K-medoids聚类算法

潘楚,罗可

长沙理工大学计算机与通信工程学院，长沙 410114

收稿日期:2013-12-30 修回日期:2014-02-04 发布日期:2014-08-01 出版日期:2014-07-01
通讯作者: 潘楚
作者简介:潘楚(1986-)，男，湖南怀化人，硕士研究生，主要研究方向：数据挖掘；罗可(1961-)，男，湖南长沙人，教授，博士，主要研究方向：数据挖掘。
基金资助:
国家自然科学基金资助项目;湖南省自然科学衡阳联合基金;湖南省科技计划项目

Improved K-medoids clustering algorithm based on improved granular computing

PAN Chu,LUO Ke

School of Computer and Communication Engineering, Changsha University of Science and Technology, Changsha Hunan 410114, China

Received:2013-12-30 Revised:2014-02-04 Online:2014-08-01 Published:2014-07-01
Contact: PAN Chu

摘要/Abstract

摘要：

针对传统K-medoids聚类算法对初始聚类中心敏感、收敛速度缓慢以及聚类精度不够高等缺点，提出一种基于改进粒计算、粒度迭代搜索策略和优化适应度函数的新算法。该算法利用粒计算思想在有效粒子中选择K个密度大且距离较远的粒子，选择其中心点作为K个聚类初始中心点；并在对应的K个有效粒子中进行中心点更新，来减少迭代次数；采用类间距离和类内距离优化适应度函数来提高聚类的精度。实验结果表明：该算法在UCI多个标准数据集中测试，在有效缩短迭代次数的同时提高了算法聚类准确率。

Abstract:

Due to the disadvantages such as sensitive to the initial selection of the center, slow convergent speed and poor accuracy in traditional K-medoids clustering algorithm, a novel K-medoids algorithm based on improved Granular Computing (GrC), granule iterative search strategy and a new fitness function was proposed in this paper. The algorithm selected K granules using the granular computing thinking in the high-density area which were far apart, selected its center point as the K initial cluster centers, and updated K center points in candidate granules to reduce the number of iterations. What's more, a new fitness function was presented based on between-class distance and within-class distance to improve clustering accuracy. Tested on a number of standard data sets in UCI, the experimental results show that this new algorithm reuduces the number of iterations effectively and improves the accuracy of clustering.

中图分类号:

TP301.6

潘楚罗可. 基于改进粒计算的K-medoids聚类算法[J]. 计算机应用, 2014, 34(7): 1997-2000.

PAN Chu LUO Ke. Improved K-medoids clustering algorithm based on improved granular computing[J]. Journal of Computer Applications, 2014, 34(7): 1997-2000.

参考文献

［1］HAN J W, KAMBER M, PEI J. Date mining: concepts and techniques［M］. 3rd ed. FAN M translated. Beijing: China Machine Press, 2012: 293-297. (HAN J W, KAMBER M, PEI J.数据挖掘：概念与技术［M］. 3版. 范明，译.北京：机械工业出版社, 2012:293-297.)〖HJ1.85mm〗
［2］PARK H S， JUN C H.A simple and fast algorithm for K-medoids clustering［J］. Expert Systems with Applications，2008，36(2)：3336-3341.
［3］XIA N, SU Y, QIN X. Efficient K-medoids clustering algorithm［J］.Application Research of Computers, 2010,27(12):4517-4519.(夏宁霞，苏一丹，覃希.一种高效的K-medoids 聚类算法［J］.计算机应用研究，2010，27(12)：4517-4519.)
［4］DING S F，XU L， ZHU H,et al.Research and progress of cluster algorithms based on granular computing［J］.International Journal of Digital Content Technology and its Applications，2010，4(5)：96-104.
［5］MA Q, XIE J. New K-medoids clustering algorithm based on granular computing［J］.Journal of Computer Applications, 2012,32(7):1973-1977.(马箐，谢娟英.基于粒计算的K-medoids聚类算法［J］.计算机应用，2012，32(7)：1973-1977.)
［6］PARDESHI B, TOSHNIWAL D. Improved K-medoids clustering based on cluster validity index and object density［C］// Proceedings of the 2nd IEEE International Advance Computing Conference. Piscataway: IEEE，2010：379-384.
［7］LAI P S， FU H C. Variance enhanced K-medoids clustering［J］.Expert Systems with Applications，2010，38(1)：764-775.
［8］GAO D Y，YANG B R. An improved K-medoids clustering algorithm［C］// Proceedings of the 2nd International Conference on Computer and Automation Engineering. Piscataway: IEEE, 2010: 132-135.
［9］BARIONI C N M，RAZENTE H L，TRAINA A J M，et al.Acceleration K-medoids-based algorithms through metric access method［J］. Journal of Systems and Software, 2008, 81(3): 343-355.
［10］YAO L, LUO K, MENG Y. Clustering algorithm based on particle swarm optimization［J］. Computer Engineering and Applications, 2012, 48(13):150-153. (姚丽娟，罗可，孟颖.一种基于粒子群的聚类算法［J］.计算机工程与应用, 2012, 48(13): 150-153.)
［11］MENG Y, LUO K, YAO L, et al. K-medoids clustering algorithm method based on ACO［J］. Computer Engineering and Applications, 2012, 48(16):136-152.(孟颖，罗可，姚丽娟，等.一种基于ACO的K-medoids聚类算法［J］.计算机工程与应用，2012，48(16):136-152.)
［12］LI L, LUO K, ZHOU B. K-medoids clustering algorithm based on improved artificial bee colony［J］. Computer Engineering and Applications，2013,49(16):146-150.(李莲，罗可，周博翔. 一种改进人工蜂群的K-medoids聚类算法［J］.计算机工程与应用，2013，49(16):146-150.)
［13］WANG G, ZHANG Q, HU J. An overview of granular computing［J］. Transactions on Intelligent Systems, 2007,2(6):8-26.(王国胤，张清华，胡军.粒计算研究综述［J］.智能系统学报，2007，2(6)：8-26.)
［14］WANG L. Study of granular analysis in clustering［J］. Computer Engineering and Applications, 2006,42(5):29-31.(王伦文.聚类的粒度分析［J］.计算机工程与应用，2006，42(5)：29-31.)
［15］XU L, DING S. Research on granularity clustering algorithms［J］. Computer Science, 2011,38(8):25-28.(徐丽，丁世飞.粒度聚类算法研究［J］.计算机科学，2011，38(8)：25-28.)

[1]	侯阳张琼赵紫煊朱正宇张晓博. 基于YOLOv5s的复杂场景下高效烟火检测算法——YOLOv5s-MRD[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[2]	张奇业, 曾心蕊. 带高斯核的支持向量数据描述问题的高效积极集法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3808-3814.
[3]	曹晓意罗煦琼李景贺恩锋. 改进人工势场法下的多无人机编队路径规划方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[4]	袁志超杨磊田井林魏晓威李康顺. 面向复杂约束多目标优化问题的双种群双阶段进化算法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[5]	冷琴, 毛政元. 考虑设施规模决策的两级选址-路径优化[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3513-3520.
[6]	彭庆媛, 王晓峰, 王军霞, 华盈盈, 唐傲, 何飞. 可满足性问题相变研究综述[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3503-3512.
[7]	孙仁科, 皇甫志宇, 陈虎, 李仲年, 许新征. 神经架构搜索综述[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 2983-2994.
[8]	孙安泰, 刘烨, 徐冬梅. 多智能体系统的动态面渐近补偿算法[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3151-3157.
[9]	颜超英, 张紫仪, 曲映楠, 李秋禹, 郑地翔, 孙丽珺. 基于联盟链的双向拍卖碳交易[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3240-3245.
[10]	杨志龙邹德旋李灿邵莹莹马乐杰. 融入限制反向学习与柯西-高斯变异的蜣螂优化算法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[11]	姚光磊, 熊菊霞, 杨国武. 基于神经网络优化的花朵授粉算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2829-2837.
[12]	力尚龙, 刘建华, 贾鹤鸣. 融合多狩猎协调策略的爬行动物搜索算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2818-2828.
[13]	李焱, 潘大志, 郑思情. 多车场带时间窗车辆路径问题的改良自适应大邻域搜索算法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1897-1904.
[14]	张倩婷胡丽莹陈黎飞. 时间序列的鲁棒形态表征方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[15]	胡林波倪志伟程家乐刘文涛朱旭辉. 基于融合社区检测的复杂协作众包任务分配方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.

基于改进粒计算的K-medoids聚类算法

Improved K-medoids clustering algorithm based on improved granular computing

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics