%0 Journal Article
%T 一种改进的粗k均值聚类算法
%A 王
%A 莉
%A 周献中
%A 沈
%A 捷
%J 控制与决策
%P 1711-1714
%D 2012
%X Lingras提出的粗k均值聚类算法易受随机初始聚类中心和离群点的影响,可能出现一致性和无法收敛的聚类结果.对此,提出一种改进的粗??均值算法,选择潜能最大的k个对象作为初始的聚类中心,根据数据对象与聚类中心的相对距离来确定其上下近似归属,使边界区域的划分更合理.定义了广义分类正确率,该指标同时考虑了下近似集和边界区域中的对象,评价算法性能更准确.仿真实验结果表明,该算法分类正确率高,收敛速度快,能够克服离群点的不利影响.
%K 聚类
%K 粗糙集
%K 粗k
%K 均值
%K 广义分类正确率
%U http://www.kzyjc.net:8080/CN/abstract/abstract12231.shtml