粒K均值聚类算法

来源：计算机工程与应用杂志2023年第13期北京时间：

作者：周成龙, 陈玉明, 朱益冬

单位：厦门理工学院 计算机与信息工程学院，福建 厦门 361024

摘要：K均值聚类属于无监督学习，具有简单易用、可解释性强和聚类效果佳的优点。然而，其算法收敛速度慢，参数难以确定，易陷入局部解。为了克服K均值聚类的固有缺陷，结合粒计算理论，提出了一种新型的聚类模型：粒K均值聚类算法。样本在单特征上粒化成粒子，多特征上的粒子形成粒向量；进一步定义多种粒距离公式，用来度量粒子之间的距离。根据粒距离度量，提出一种粒K均值聚类方法，并设计粒K均值聚类算法。样本粒化是在全部样本空间中进行相似度比较，反映了样本的全局特性，使得聚类收敛迭代次数较少，更容易得到全局最优解。采用多个UCI公开数据集进行实验，从收敛速度、K值影响与聚类效果多方面进行比较，其结果表明所提出的K均值聚类方法具有收敛速度快及聚类效果佳的优点。

关键词：K均值聚类,粒计算,粒距离,无监督学习,粒聚类