一种分布式环境下的改进k-Means聚类算法

摘要

聚类分析是数据挖掘领域的一项重要研究课题，聚类是将给定的样本集分组成相互分离的簇的过程。相同簇中的样本具有高的相似度，而不同的簇之间的样本具有高的相异度。相异度是根据描述对象的属性值来计算的。迄今为止，人们已经提出了许多聚类算法，诸如k-Means，DBSCAN，Birch，Cure，Sting等。各种聚类方法中，基于目标函数的K·Means聚类方法应用极为广泛，根据聚类结果的表达方式又可分为硬k-Means(HCM)算法、模糊k-means算法(FCM)和概率k-Means算法(PCM)。本文提出的算法在对样本进行预处理的基础上，利用了网格的性质，减少了距离的计算。试验结果表明，该算法有效地提高了分布式聚类的效率。