Resumen

Una pequeña cantidad de conocimiento previo y unos centros de conglomerado iniciales elegidos aleatoriamente tienen un impacto directo en la precisión del rendimiento del algoritmo de conglomerado iterativo. En este trabajo proponemos un nuevo algoritmo para calcular los centros de cluster iniciales para el clustering k-means y el mejor número de clusters con poco conocimiento previo y optimizar el resultado del clustering. Construye el factor de control de distancia euclidiana basado en el grado de densidad de agregación dispersa para seleccionar el centro de cluster inicial de datos dispersos no uniformes y obtiene clusters de datos iniciales por distribución de densidad de difusión multidimensional. Se adopta un enfoque de clustering multiobjetivo basado en la entropía acumulativa dinámica para optimizar los clusters de datos iniciales y el mejor número de clusters. Los resultados experimentales muestran que el nuevo algoritmo propuesto tiene un buen rendimiento en la obtención de los centros de conglomerados iniciales para el algoritmo k-means y mejora eficazmente la precisión de la agrupación de datos dispersos no uniformes en aproximadamente un 5%.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Conocimiento previo; centros de conglomerado iniciales; precisión; algoritmo de conglomerado iterativo; conglomerado k-means; número de conglomerados.
• Keywords:Prior knowledge; initial cluster centers; accuracy; iterative clustering algorithm; k-means clustering; number of clusters