基于模糊粒度计算的k-means文本聚类算法研究

传统的k-means算法对初始聚类中心非常敏感，聚类结果随不同的初始输入而波动，算法的稳定性下降。针对这个问题，提出了一种优化初始聚类中心的新算法:在数据对象的模糊粒度空间上给定一个归一化的距离函数，用此函数对所有距离小于粒度dλ的数据对象进行初始聚类，对初始聚类簇计算其中心，得到一组优化的聚类初始值。实验对比证明，新算法有效地消除了传统k-means算法对初始输入的敏感性，提高了算法的稳定性和准确率。