一种高效的K-means聚类改进算法

针对传统K-means算法在初始质心选取的敏感性以及迭代计算的冗余性这两方面的缺陷，提出一种高效的聚类算法(ECA). 根据数据对象的空间分布情况，首先采用空间划分预聚类算法(SDPCA)对数据集实现预聚类划分，然后采用基于邻近簇调整的优化聚类算法(OCANC)对预聚类成果进行优化处理，最终获取聚类成果. 实验证明，该改进算法能消除对初始输入的敏感性，以更高的运行效率获取较高质量的聚类结果.