基于多维网格空间的改进K-means聚类算法

摘要 K-means算法是被广泛使用的一种聚类算法，传统的K-means算法中初始聚类中心的选择具有随机性，易使算法陷入局部最优，聚类结果不稳定。针对此问题，引入多维网格空间的思想，首先将样本集映射到一个虚拟的多维网格空间结构中，然后从中搜索出包含样本数最多且距离较远的子网格作为初始聚类中心网格，最后计算出各初始聚类中心网格中所包含样本的均值点来作为初始聚类中心。此法选择出来的初始聚类中心与实际聚类中心拟合度高，进而可据此初始聚类中心稳定高效地得到最终的聚类结果。通过使用计算机模拟数据集和UCI机器学习数据集进行测试，结果表明改进算法的迭代次数和错误率比较稳定，且均小于传统K-means算法测试结果的平均值，能有效避免陷入局部最优，并且聚类结果稳定