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
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：
Chinese Cited Count：
30 Days PV： 7
