论文研究一种高效的Kmedoids聚类算法.pdf

针对K-medoids算法初始中心点选择敏感、大数据集聚类应用中性能低下等缺点，提出一个基于初始中心微调与增量中心候选集的改进K-medoids算法。新算法以微调方式优化初始中心，以中心候选集逐步扩展的方式来降低中心轮换的计算复杂性。实验结果表明，相对于传统的K-medoids算法，新算法可以提高聚类质量，有效缩短计算时间。