基于宽度优先搜索的k-medoids聚类算法

？针对传统k-medoids聚类算法对初始值敏感、中心点随机选择以及聚类精度不够高等缺点,在粒计算有效初始化的基础上,提出中心点宽度优先搜索策略.首先,利用粒计算初始化获取k个有效粒子,遴选该k个粒子所对应的k个中心点作为k个初始中心点;然后,根据对象间的相似性分别对k个粒子中的对象建立以中心点为根节点的相似对象二叉树,通过宽度优先搜索遍历二叉树迭代出最优中心点,同时采用簇间距离和簇内距离优化准则函数.实验结果表明,所提算法在uci中iris和wine标准数据集中测试,在有效缩短迭代次数的同时保证了算法聚类准确率.