二维空间中硬聚类算法影响力因子的作用研究

计算机科学 ›› 2006, Vol. 33 ›› Issue (10): 182-185.

二维空间中硬聚类算法影响力因子的作用研究

金健黄国兴梁道雷

华东师范大学信息科学技术学院,上海200062

出版日期:2018-11-17 发布日期:2018-11-17
基金资助:
华东师范大学211重点项目资助.

JIN Jian ,HUANG Guo-Xing, LIANG Dao-Lei （School of Information Science and Technology, East China Normal University, Shanghai 200062）

Online:2018-11-17 Published:2018-11-17

摘要/Abstract

摘要： 经典硬聚类算法HCM（hard c-means）完全基于欧氏距离，针对其无法较好应对各簇规模差异较大的情况，提出在每个欧氏距离项上加入一个影响力因子，使基于距离的标准转变为更通用的基于角度的标准的方法（HCMef算法）。用该算法对二维空间中两类分布密度基本一致，样本数对比分别为1000：1000、1000：5000和1000：10000，正态分布且类边界从较模糊到较清晰的不同数据进行试验。结果显示，HCMef方法可以很好地找到聚类中心的标准设定值，在各种情况下都有很明显优势，表现出很强的稳定性。表明该方法

关键词: HCM 聚类影响力因子

Abstract: The classic hard c-means （HCM） is totally based on Euclid Distance, and it cannot cope with situations of different cluster sizes. Method of attaching an effectiveness factor to each distance item （HCMef） is proposed, transforming the criterion based on d

Key words: HCM, Clustering, Effetiveness factor

金健黄国兴梁道雷. 二维空间中硬聚类算法影响力因子的作用研究[J]. 计算机科学, 2006, 33(10): 182-185. https://doi.org/

JIN Jian ,HUANG Guo-Xing, LIANG Dao-Lei （School of Information Science and Technology, East China Normal University, Shanghai 200062）. [J]. Computer Science, 2006, 33(10): 182-185. https://doi.org/

参考文献

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed