基于知识诱导与无用中心驱动的K-means算法OA

K-means算法是一种广泛应用的高效无监督聚类算法。然而,研究表明,在处理高维或非球状结构的数据集时,K-means算法在确定聚类数目和选择初始质心方面存在显著局限性。为优化K-means算法的初始质心选取机制,解决聚类数目确定问题,文章提出了一种基于知识诱导与无用中心驱动的K-means算法。该算法首先引入高密度知识点的检测机制,通过识别数据集中的高密度知识点,构建候选质心集合,基于高斯混合模型理论推导最优聚类数;随后,采用无用中心筛选策略对候选质心进行优化选择,最终确定最优初始质心集合。在真实数据集上的实验结果表明,所提算法在聚类性能上总体优于其他对比算法。该算法可有效解决非球状数据分布的聚类问题,并在复杂数据结构场景下展现出较为优越的聚类性能。