[发明专利]一种优化聚类中心的k-means算法

权利要求书

1.一种优化聚类中心的k-means算法，其特征在于，包括以下步骤：

步骤1、求出样本数据集X＝{X₁,X₂,...,X_n}的样本均值C和平均距离ad；

步骤2、根据空间两点间的距离公式计算出所有数据对象与C的距离d(X,C)，选择满足d(X_i,C)≥d(X_j,C),(i,j＝1,2,...,n)的数据对象X_i，找到该方向位置点并记作O₁；

步骤3、通过两点间距离公式找到与方向位置点X₁的距离小于等于平均距离ad的数据点，并将其放入到集合Z₁中，寻找结束后并统计集合Z₁中的所包含的数据点个数记作n₁，然后判断n₁是否大于等于β，其中β为样本集数据点的数目与聚类的簇类数目的比值；若满足条件，则取该集合内的所有样本数据点的均值作为初始聚类中心点；

步骤4、计算所有样本集数据对象与方向位置点O₁的距离d(X,O₁)，选择能够满足d(X_i,C)+d(X_i,O₁)≥d(X_j,C)+d(X_j,O₁)的数据对象X_i，将第二个方向位置点记作O₂，同理，计算与方向位置点O₂的距离小于等于平均距离ad的数据点，并放入集合Z₂中，并统计集合中的数据点数n₂，然后判断n₂是否大于等于β，若满足条件，则取该集合的数据点的均值为该第二个初始聚类中心点；

步骤5、重复上述过程，直到找到K个初始聚类中心为止，其中当出现某个集合中的样本数据点的数量不满足大于等于β的情况，则继续寻找下一个方向位置点进行判断，方向位置点O的寻找及确定需要满足如下条件：计算所有样本数据对象与方向位置点O距离d(X_i,O)，其中O＝(O₁,O₂,...,O_m)，然后寻找满足(i,j＝1,2,...,n)的数据点O作为第m个方向位置点。

2.如权利要求1所述的优化聚类中心的k-means算法，其特征在于，所述步骤1中，样本数据集的平均距离为：