Abstract：
针对传统的K-means 聚类算法存在的缺点，本文提出一种基于密度指标去除噪声点和孤立点的算法，该算法以每个点的密度大小是否满足一个阈值为条件，判定该点是否为孤立点，实验表明该算法能有效消除样本中的噪声点和孤立点对K-means 聚类中心的影响。再利用减法聚类算法初始化K-means 算法的聚类中心，并得到聚类中心的个数，将改进后的K-means 算法优化RBF 神经网络结构，通过对典型非线性函数的逼近，表明所提出的算法具有较强的逼近能力。
Keyword：
Reprint Author's Address：
Email：
Source ：
Year： 2015
Page： 1-1
Language： Chinese
Cited Count：
WoS CC Cited Count： 0
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count： -1
Chinese Cited Count：
30 Days PV： 0
