%0 Journal Article
%T 基于随机取样的选择性k-means聚类融合算法
%A 王丽娟
%A 郝志峰
%A 蔡瑞初
%A 温雯
%J 计算机应用
%D 2013
%X ？由于缺少数据分布、参数和数据类别标记的先验信息，部分基聚类的正确性无法保证，进而影响聚类融合的性能；而且不同基聚类决策对于聚类融合的贡献程度不同，同等对待基聚类决策，将影响聚类融合结果的提升。为解决此问题，提出了基于随机取样的选择性k-means聚类融合算法（rs-kmce）。该算法中的随机取样策略可以避免基聚类决策选取陷入局部极小，而且依据多样性和正确性定义的综合评价值，有利于算法快速收敛到较优的基聚类子集，提升融合性能。通过2个仿真数据库和4个uci数据库的实验结果显示：rs-kmce的聚类性能优于k-means算法、k-means融合算法（kmce）以及基于bagging的选择性k-means聚类融合（ba-kmce）。
%K 聚类融合
%K 选择性聚类融合
%K 随机取样
%K 聚类决策评价
%K k-means
%U http://www.joca.cn/CN/abstract/abstract16536.shtml