一种基于粒度粗糙熵的改进k-Medoids聚类方法技术

本发明专利技术涉及粒度粗糙熵改进技术领域，具体公开一种基于粒度粗糙熵的改进k‑Medoids聚类方法，该方法包括：粒度粗糙熵评估、最小距离比对以及聚类质量反馈，首先得到各需聚类数据样本对应的粒度粗糙熵，并筛选出各需聚类数据样本与对应的初始簇之间的最小距离，若该最小距离均小于设定的距离界定值，则进行聚类质量反馈；通过对粒度粗糙熵的分析，能够降低噪声和异常值对聚类结果的影响，并结合函数分析可以减少计算配置在运算时的运算工作量，提高计算配置的运行效率和数据处理的准确度，减少存储设备的存储负担，由此提高k‑Medoids聚类算法的聚类质量和准确性。

【技术实现步骤摘要】

本专利技术涉及粒度粗糙熵改进，具体为一种基于粒度粗糙熵的改进k-medoids聚类方法。

技术介绍

1、当前k-medoids算法在寻找最优解时需要大量的计算力，导致算法的效率可能会降低；k-medoids算法的性能在很大程度上取决于初始medoids的选择，如果初始medoids选择不当，可能会导致算法陷入局部最优解，而不是全局最优解；并且k-medoids算法需要事先确定聚类的簇数，然而簇的数量往往是未知的，以此需要引入一个新的方法通过粒度粗糙熵的方式来提高k-medoids算法的运算效率、选择初始medoids的准确性以及簇数选择的准确性。

2、例如公告号为cn113094651b的专利技术专利，一种基于粗糙集的高光谱成像参数优化设计方法，包含以下步骤：(1)高光谱成像过程分析，确定成像过程中的主要影响参数；(2)建立成像参数数据表，利用基于熵的离散化方法对数据表中的成像关键参数取值进行划分；(3)依据步骤(2)中划分的取值区间，建立离散化成像参数数据表，基于布尔属性映射，采用关联规则对成像数据表进行挖掘，建立高光谱成像过程关键影响参数与本文档来自技高网...

【技术保护点】

1.一种基于粒度粗糙熵的改进k-Medoids聚类方法，其特征在于，包括：

2.根据权利要求1所述的一种基于粒度粗糙熵的改进k-Medoids聚类方法，其特征在于：所述各需聚类数据样本对应的属性影响程度系数，具体分析过程为：

3.根据权利要求1所述的一种基于粒度粗糙熵的改进k-Medoids聚类方法，其特征在于：所述各需聚类数据样本对应的样本分布影响程度系数，具体分析过程为：

4.根据权利要求1所述的一种基于粒度粗糙熵的改进k-Medoids聚类方法，其特征在于：所述匹配出各Medoids对应的初始簇，具体分析过程为：

5.根据权利要求1所...

【技术特征摘要】

1.一种基于粒度粗糙熵的改进k-medoids聚类方法，其特征在于，包括：

2.根据权利要求1所述的一种基于粒度粗糙熵的改进k-medoids聚类方法，其特征在于：所述各需聚类数据样本对应的属性影响程度系数，具体分析过程为：

3.根据权利要求1所述的一种基于粒度粗糙熵的改进k-medoids聚类方法，其特征在于：所述各需聚类数据样本对应的样本分布影响程度系数，具体分析过程为：

4.根据权利要求1所述的一种基于粒度粗糙熵的改进k-medoids聚类方法，其特征在于：所述匹配出各medoids对应的初始簇，具体分析过程为：

5.根据权利要求1所述的...

【专利技术属性】
技术研发人员：陈林书，陈攀宇，梁伟，陈宇翔，靳恺，胡娜，熊乃学，李冠憬，
申请(专利权)人：湖南科技大学，
类型：发明
国别省市：