[发明专利]基于局部密度和single‑pass的核k均值方法

摘要

本发明公开的基于局部密度和single‑pass的核k均值方法，首先，利用局部密度选择具有高密度且低相似性的初始类中心点；其次，从数据集中随机抽取包含这些初始中心点的样本数据集，对样本数据集使用传统方法进行聚类，并对聚类结果中的每个类使用梯度下降法进一步优化，确定准确的类中心点；最后，将剩余的数据点依次划分到距离最近的类中。实验证明，该方法的计算效率相比传统的kernel k‑means算法有较大的提高，同时具有更准确的聚类结果。本发明基于局部密度和single‑pass的核k均值方法解决了传统kernel k‑means算法初始中心点不确定及时间复杂度过高的问题。

主权项

基于局部密度和single‑pass的核k均值方法，其特征在于，具体按照以下步骤实施：步骤1、确定数据集D，通过局部密度法选取初始类中心点；步骤2、待步骤1完成后，随机选择一个包含初始中心点M的样本数据集S；步骤3、待步骤2完成后，应用kernel k‑means算法对样本数据集S进行聚类，其输入参数为：样本点S、聚类数目K、核函数H，输出结果为样本S最终聚类的结果，记为步骤4、待步骤3完成后，使用梯度下降法对Πs中每个类的中心点{M1,M2,M3,……,Mj}进行优化；步骤5、待步骤4完成后，将数据集D中其余所有的数据点依次按顺序计算与已有所有类中心Mj的距离，并将其划分到最近的类Cj中；步骤6、待步骤5完成后，输出数据集D最终的聚类结果。