论文研究 初始值过滤可优化快速全局K均值

K-means聚类算法是无监督学习中的重要算法，在大数据处理，计算机视觉和其他研究领域中发挥着重要作用。 但是，由于其对初始分区，离群值，噪声和其他因素的敏感性，因此在数据分析，图像分割和其他领域中的聚类结果不稳定且鲁棒性较弱。 基于快速的全局K均值聚类算法，提出了一种改进的K均值聚类算法。 通过邻域过滤机制，所选初始聚类中心附近的点不参与下一个初始聚类中心的选择，可以有效降低初始划分的随机性，提高初始划分的效率。 Mahalanobis距离用于聚类过程中，以更好地考虑数据的全局性质。 与传统的聚类算法和其他优化算法相比，真实数据集测试的结果得到了显着改善。