基于KNN算法的改进K-means算法

PDF全文下载：  201905016.pdf

文章编号： 16726987（2019）05010705； DOI： 10.16351/j.16726987.2019.05.016

徐文进， 管克航， 寻晴晴， 许瑶， 解钦

(青岛科技大学 信息科学技术学院，山东 青岛 266061)

摘要： 针对于K-means算法的缺点做出了一些改进，提出了一种基于KNN算法改进K-means的算法。改进后的算法解决了K-means算法K值无法确定和数据分类中的不强、易受异常数据干扰的缺点，提高了算法的聚类效果以及削弱初始聚类中心选择的随机性对于聚类结果易陷入局部最优的影响。实验表明，改进后的算法不仅解决了传统算法确定K值的问题，而且聚类结果稳定且聚类效果良好。

关键词： 数据中心点; K-means; 局部最优; KNN算法

中图分类号： TP 181文献标志码： A

引用格式： 徐文进， 管克航， 寻晴晴， 等. 基于KNN算法的改进K-means算法\[J\]. 青岛科技大学学报（自然科学版）， 2019， 40（5）： 107111.

XU Wenjin, GUAN Kehang, XUN Qingqing, et al. Improving K-means algorithm based on KNN algorithm\[J\]. Journal of Qingdao University of Science and Technology（Natural Science Edition), 2019, 40(5)： 107111.

Improving Kmeans Algorithm Based on KNN Algorithm

XU Wenjin, GUAN Kehang, XUN Qingqing, XU Yao, XIE Qin

(College of Information Science and Technology, Qingdao University of Science and Technology, Qingdao 266061,China)

Abstract: In this paper, some improvements are made to the shortcomings of K-means algorithm, and an algorithm based on KNN algorithm to improve K-means is proposed. The improved algorithm solves the shortcomings of the Kmeans algorithm K value can not be determined and the data classification is not strong, susceptible to abnormal data interference, improve the clustering effect of the algorithm and weaken the initial cluster center selection random for the clustering results easy to fall into the local optimal impact. Experiments show that the improved algorithm not only solves the problem of determining the K value by the traditional algorithm, but also has stable clustering results and good clustering effect.

Key words: data center point; K-means; local optimum; KNN algorithm

收稿日期：  20181123

基金项目： 山东省重点研发计划项目（2018GGX105005）.

作者简介： 徐文进（1977—），男，副教授.