[发明专利]一种基于相对最离散维分割的K‑means聚类初始中心选取方法在审
| 申请号： | 201710844898.4 | 申请日： | 2017-09-19 |
| 公开（公告）号： | CN107704872A | 公开（公告）日： | 2018-02-16 |
| 发明（设计）人： | 吴造林;胡长俊 | 申请（专利权）人： | 安徽理工大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06F17/30 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 232001 *** | 国省代码： | 安徽;34 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于相对最离散维分割的K‑means聚类初始中心点选取的方法。该方法思路为给定一个D维的数据集，s1.对数据集进行降维处理；s2.评估降维后的数据集每个维度的离散程度；s3.选择相对最离散维进行分割，依照该维均值点将所有数据分为两类；s4.选取进行分割后的类别中数据点最多的一类，按照s2和s3选取相对最离散维，将其继续按照最离散维均值点处进行分割，依照上述步骤直到分割为所需的类别数为止；s5.对每个分割好的类别中数据求均值；s6.将每个类别的均值进行升维操作，并作为K‑means聚类的初始中心点。本发明的有益效果是降维后的数据能减少运算量，加快运算速度，使得K‑means聚类能够以更少的迭代次数达到更高的聚类准确率。 | ||
| 搜索关键词： | 一种 基于 相对 离散 分割 means 初始 中心 选取 方法 | ||
【主权项】：
一种K‑means聚类中心点初始化方法，其特征在于，该方法包括：对任意给定的D维含N个数据的数据集，将该数据集变换为一组各维之间线性无关的表示，可用于提取该数据集的主要特征分量，即对该数据集进行降维。然后对于该数据集选取相对最离散维根据均值点进行分割，分割后得到所需的聚类类别数后，再对每个分割出的类别求均值，并进行升维操作后的数据点作为K‑means聚类的初始中心点。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于安徽理工大学，未经安徽理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201710844898.4/，转载请声明来源钻瓜专利网。
- 上一篇：设置自启动权限的方法、装置及存储介质
- 下一篇：一种壁纸设置方法及终端
