【出 处】：《 计算机仿真 》 CSCD 2013年第30卷第3期 277-280页,共4页

【作 者】： 石亚冰 [1] ; 元昌安 [2] ; 覃晓 [1] ; 黄予 [1]

【摘 要】 在优化空间聚类算法的研究中，传统的K-means空间算法存在两个缺陷，其一是对空间对象的属性描述不全面，其二是对初始种子集选取敏感，容易陷入局部最优值，聚类结果不稳定。为了优化算法，引入适合空间对象的空间属性距离和基于最大维密度选择方案（Max-DimensionofDensityBasedSeeking，MDDBS）来改进K—means算法，提出利用最大维密度的全局优化空间聚类算法（Max-DimensionofDensityBasedClustering，MDDBC），可从密度大的区域选取初始种子，同时又尽量将种子分散在数据空间。实验结果表明，改进方法可以很好消除聚类结果的波动性，同时更加客观地呈现空间对象的分布规律。