1、 · 542· 福州大學學報（ 自然科學版） 第 42 卷 K means和 MD BKM 算法的計算冗余代價越大，相較之下 ECA 算法所節約的計算時間越多 故對于大 數據集聚類，改進的算法 ECA 的執行效率優勢更為明顯 圖3 Fig 3 算法初始化時間比較 Fig 4 圖4 算法執行時間比較 Comparison of the algorithmsinitialization time Comparison of the algorithmsexecution time 4 結語 提出聚類算法 ECA，該算法由空間劃分預聚類和鄰近簇優化調整兩個階段相結合 ： 通過預聚

2、類劃 分，克服了 K means 聚類對初始點敏感的缺陷，避免較差的初始劃分所產生的局部極小值 ，有利于獲得 穩定的、較好的聚類結果； 已具備一定準確率的預聚類成果有效減少了后期聚類迭代的工作量，提高 了算法的收斂速度； 通過獲取鄰近簇和標識穩定狀態減少了計算冗余，有效提高算法的執行效率 實 驗證明，ECA 算法無論從聚類準確率還是運行效率方面 ，都比傳統 K means 算法有較大改進，是高效可 行的 關于 K means 算法對噪聲比較敏感的缺陷，ECA 算法僅通過在預聚類劃分過程中剔除單數據點的 簇實現對噪聲的初步過濾，對噪聲的全面檢測功能還不完善 ，有待在今后的研究工作中進一步改進 參

3、考文獻： 1 Tan P N，Steinbach M，Kumar V Introduction to data mining M 北京： 人民郵電出版社， 2011 2 Babu G P，Murty M N A near optimal initial seed value selection in K means algorithm using a genetic algorithm J Pattern ecognition Letters， 1993 ， 14 （ 10 ） ： 763 769 3 Faber V Clustering and the continuous K means

4、algorithm J Los Alamos Science， 1994 （ 22 ） ： 138 144 4 張軍偉，王念濱，黃少濱，等 二分 K 均值聚類算法優化及并行研究 J 計算機工程， 2011 ， 37 （ 17 ） ： 23 25 5 Al Daoud M B，oberts S A New methods for the initialization of clusters J Pattern ecognition Letters，1996 ，17 （ 5 ） ： 451 455 6 Guha S，astogi ，Shim K CUE： an efficient clusteri

5、ng algorithm for large databases J Information Systems，2001 ，26 （ 1 ） ： 35 38 7 Lai J，Liaw Y Improvement of the K means clustering filtering algorithm J Pattern ecognition： The Journal of the Pattern ecognition Society， 2008 ， 41 （ 12 ） ： 3 677 3 681 8 Yu S，Tranchevent L C，Liu X，et al Optimized data

6、 fusion for kernel K means clusteringJ IEEE Trans Pattern Anal Mach Intell， 2012 ， 34 （ 5 ） ： 1 031 1 039 9 Pena J M，Lozano J A，Larranaga P An empirical comparison of four initialization methods for the K means algorithm J Pattern ecognition Letters， 1999 ， 20 （ 10 ） ： 1 027 1 040 10 Frank A，Asuncion A UCI machine learning repository EB / OL 2010 http： / / archive ics uci edu / ml / data