基于随机取样的选择性k-means聚类融合算法

？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）。