[发明专利]一种聚类中心快速确定的数据聚类方法

摘要

一种聚类中心快速确定的聚类方法，包括以下步骤：1)读取原始数据集，通过占优分析选取相应的距离计算方法，求出整个数据集的距离矩阵；2)快速确定聚类中心；3)最优dc的选取，过程如下：3.1找出相似度距离矩阵中的最大值d_max和最小值d_min，通过设定percent的值来计算出当前的dc值；3.2当dc被选定并得到聚类结果后，设计Fitness函数作为评价指标；3.3采用爬山算法选取最优dc；3.4输出最优dc以及最优dc时的聚类结果。本发明具有较高准确率、不同数据集聚类效果差异性较小和参数依赖性较小。

主权项

一种聚类中心快速确定的聚类方法，其特征在于：所述聚类方法包括以下步骤：1)读取原始数据集，对数据集进行占优分析，通过占优分析选取相应的距离计算方法，使用该种距离计算方法求出整个数据集的距离矩阵，过程如下：1.1若输入的数据集有p维数值属性的数据和q维分类属性的数据，则通过比较p和q的大小，将数据集分成数值占优型数据集和分类占优型数据集；1.2根据占优分析得到的结果，采用相应的距离计算公式对该数据集进行计算，得到数据集的相似度距离矩阵；2)快速确定聚类中心，过程如下：2.1对于任意数据点i，通过公式ρ_i＝∑f(d_ij‑d_c)和式δ_i＝min(d_ij)(ρ_j≥ρ_i)计算出该数据点对象的ρ_i和δ_i，再根据公式γ_i＝ρ_i*δ_i计算出数据点的γ_i；2.2根据每个数据点的γ值做出关于γ的密度分布图，计算出γ的样本均值和样本方差，采用矩估计的方法得到数据集有关γ值整体分布的均值μ和方差σ²；2.3做出服从均值为μ，方差为σ²的正态分布曲线，用该曲线拟合γ的概率密度曲线，并根据正态分布的5σ原则划定置信区间；2.4根据划定的置信区间筛选出落于置信区间外的奇异点，对这些点的ρ和δ进行归一化处理，得到ρ^*和δ^*，设置参数k，若对于奇异点i，存在则将该奇异点选为聚类中心点；2.5根据求得的聚类中心点，采用将数据点i与密度高于它且离它最近的数据点归于一类的方法，将所有的数据点进行聚类划分，最终得到聚类结果；3)最优dc的选取，过程如下：3.1找出相似度距离矩阵中的最大值d_max和最小值d_min，采用公式d_c＝d_min+(d_max‑d_min)*percent/100，通过设定percent的值来计算出当前的dc值；3.2当dc被选定并得到聚类结果后，为比较对于不同dc时聚类效果的好坏，设计Fitness函数作为评价指标；Fitness由两部分组成：$Fitness1=\frac{{\mathrm{\Σ}}_{j=1}^m\[{\mathrm{\Σ}}_{x_i\∈C_j}d(x_i,C_j)/\left|C_j\right|\]}{m}$$Fitness2=\frac{{\mathrm{\Σ}}_{j=1}^m\[{\mathrm{\Σ}}_{i=1,i\≠j}^{m}d(C_i,C_j)/(m-1)\]}{m}$其中，m表示簇的个数，C_i和C_j表示第i个和第j个簇的聚类中心，|C_j|表示该簇的数据对象个数；Fitness1代表了全局的平均簇内距离，Fitness2则代表全局的平均簇间距离，根据聚类效果好坏的最本质定义：簇内距离越小越好，簇间距离越大越好，令$Fitness=\frac{Fitness2}{Fitness1}$对于一个给定的dc，Fitness函数值越大，则说明聚类效果越好；3.3采用爬山算法选取最优dc，设定percent的初始值和迭代次数，对当前的percent值进行3.1～3.2的操作，通过比较不同percent下的Fitness函数值来对当前的percent值进行更新，若满足迭代次数，则跳至3.43.4输出最优dc以及最优dc时的聚类结果。