利用邻域模型的K-Means算法初始化方法

作为一种简单的聚类方法，传统的K-Means算法已被广泛讨论并应用于模式识别和机器学习。 但是，K-Means算法不能保证唯一的聚类结果，因为初始聚类中心是随机选择的。 本文基于基于邻域的粗糙集模型，定义了对象邻域的内聚度和对象邻域之间的耦合度。 此外，提出了一种新的初始化方法，并分析了相应的时间复杂度。 我们研究了这三个准则对聚类的影响，并用三种不同的初始化方法比较了K均值的聚类结果。 实验结果说明了该方法的有效性。