改进K-means算法实现移动通信行为特征分析
加权平均值的改进k-means算法
参考 文献
【 １ ］ Ｊ ａ ｉ ｎ Ａ Ｋ ， Ｍ ｕ ｒ ｔ Ｙ Ｍ Ｎ ， Ｆ ｌ ｙ ｎ ｎ Ｐ Ｊ ． Ｄ ａ ｔ ａ Ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｉ ｎ ｇ ： Ａ ｇ ｅ ｖ ｉ ｅ ｗ 【 Ｊ ］ ． Ａ Ｃ Ｍ Ｃ ｏ ｍ ｐ ｕ ｔ ｉ ｎ ｇ
进 行 比较 ， 比较 结 果 如 表 ｌ 。 由表 １ 可 以得 出 ，传 统 ｋ － ｍｅ ａ ｎ ｓ 算 法 收敛
对 聚类精度 的影响，采刖加权平均 的方 式来解
聚 类 既 是 研 究 分 类 问题 的 一 种 统 计 分 析 方 法 ， 也 是 数据 挖 掘 的 一 个 重 要 方 法 。它 是按 照某 种 特 定 的 规 则将 物 理 或 抽 象对 象 的集 合 分 决。
数 据库技术 ・ Ｄ ａ ｔ ａ Ｂ ａ ｓ ｅ Ｔ ｅ ｃ ｈ ｎ ｉ ｑ ｕ ｅ
加权平均值 的改进 ｋ － ｍ ｅ ａ ｎ ｓ算法
文／ 孙 秀 娟
表 ｌ ：本文算法和传 统 ｋ — ｍｅ ａ ｎ ｓ 算法 的结果 比较
ｇ ｌ ａ ｓ ｓ 数据集 Ｉ ｒ ｉ ｓ 数 据 集
迭代次数 传统算法 本文算法 ３ ６ ２ ０
正确率 ６ ６ ． ５ ８ ％ ８ ８ ． ９ ２ ％
迭代次数 ２ ２ １ ５
正确率 ６ ９ ． ３ ７ ％ ９ ３ ． ８ ５ ％
集 区域 的数据 点， 它们距中心点的距 离筹不多，
实验证 明上述结论 。
ｊ 所 以 权 值 比 较 类 似 ’ 在 聚 类 时 很 容 易 划 分 到 一 ２ 实 验
类 中。在 改进算 法中 ， 孤 立点和 “ 噪 声 ”数
【 关键词 】Ｋ — ｍ ｅ ａ ｎ ｓ 算法 聚类
kmeans算法java实现
kmeans算法java实现K-means算法是一种常用的聚类算法，在机器学习和数据挖掘领域得到广泛应用。
本文将介绍K-means算法的原理以及如何用Java实现。
文章将按照以下五个主题逐步展开：K-means算法概述、算法步骤、Java实现准备、Java实现步骤和结果分析。
1. K-means算法概述K-means算法是一种非监督学习算法，用于将具有相似特征的数据点划分为不同的簇。
它以欧氏距离作为相似度度量，并希望簇内的数据点尽可能接近彼此，而不同簇之间的样本点则尽可能远离彼此。
算法的核心思想是通过迭代优化来找到使目标函数最小化的质心位置。
2. 算法步骤2.1 初始化：设定簇的数量K和数据集，随机选择K个数据点作为初始质心。
2.2 聚类：计算每个数据点到各个质心的距离，并将其归类到离其最近的质心所在的簇中。
2.3 更新质心：计算每个簇内所有数据点的均值，作为新的质心位置。
2.4 重复2.2和2.3步骤，直到质心位置不再改变或达到迭代次数的上限。
3. Java实现准备在开始编写代码之前，我们需要引入Java相关的机器学习库。
ApacheMahout和Weka是两个常用的选项，它们提供了各种机器学习算法的实现。
在本文中，我们将使用Weka库。
4. Java实现步骤4.1 导入必要的库：首先，导入Weka库，以及用于读取数据和处理数据的其他必要库。
4.2 读取数据：从外部文件读取数据，并将其转换为需要的格式。
例如，将输入的CSV文件转换为Weka库中的Instances对象。
4.3 初始化质心：随机选择K个数据点作为初始质心。
4.4 聚类和更新质心：根据质心计算每个数据点到各个质心的距离，并将其归类到最近的质心所在的簇中。
然后，计算每个簇内所有数据点的均值，作为新的质心位置。
4.5 重复聚类和更新质心步骤，直到质心位置不再改变或达到迭代次数的上限。
4.6 结果输出：将聚类的结果输出到外部文件，以便进一步分析和可视化。
一种改进的K-Modes聚类算法
一种改进的K-Modes聚类算法K-Modes聚类算法是一种适用于离散型数据的聚类算法，它是K-Means算法的一种扩展。
K-Modes算法使用了众数（mode）而不是均值来计算簇的中心，因此更适合于处理离散型数据。
K-Modes算法也存在一些局限性，例如对初始簇中心的选择敏感、对异常值敏感、对簇数K的选择不确定等。
有必要对K-Modes算法进行改进，以提高其在实际应用中的效果。
1. 改进初始簇中心的选择。
传统的K-Modes算法通常是随机选择初始簇中心，这样容易受到初始值的影响，导致结果不稳定。
改进的算法可以使用一些启发式方法或者基于数据特征的方法来选择初始簇中心，可以使用K-Means++的方法来选择初始簇中心，或者根据数据的分布特点来选择初始簇中心。
2. 改进簇的更新策略。
传统的K-Modes算法在簇的更新过程中通常是采用硬聚类的方式，即每个样本只能属于一个簇，这样容易导致结果受到异常值的影响。
改进的算法可以考虑使用软聚类的方式，允许每个样本以一定的概率属于多个簇，这样能够减小异常值对结果的影响。
3. 改进距离度量方法。
传统的K-Modes算法通常使用简单的汉明距离或者Jaccard距离来度量样本之间的相似度，然而这样的距离度量方法对于离散型数据的特点并不充分考虑。
改进的算法可以采用更加适合离散型数据的距离度量方法，例如可以考虑使用基于熵的距离度量方法来度量样本之间的相似度。
4. 改进簇数K的选择方法。
传统的K-Modes算法通常需要人工指定簇数K，这样需要一定的先验知识，并且结果对K的选择敏感。
改进的算法可以采用一些自动选择簇数K的方法，例如可以采用基于模型评估准则（如轮廓系数、Calinski-Harabasz指数等）来选择簇数K。
5. 改进对离散型数据的处理。
传统的K-Modes算法对离散型数据的处理方法比较简单，通常是采用one-hot编码或者标签编码来处理离散型数据。
改进的算法可以考虑使用更加适合离散型数据的编码方法，例如可以使用基于分布的编码方法来处理离散型数据。
K-means算法的改进
K-means算法的改进J.B.MacQueen 在1967 年提出的K-means算法到目前为止用于科学和工业应用的诸多聚类算法中一种极有影响的技术。
它是聚类方法中一个基本的划分方法，常常采用误差平方和准则函数作为聚类准则函数。
K-means 算法是一种基于划分的聚类算法，在对所给数据集进行聚类时，必须知道k值的大小，即聚类的数目。
它的思想是：首先从所给定的包含n 个数据对象的数据集中随机选取k 个数据对象作为初始聚类中心点，然后计算其余的数据对象到各个聚类中心点的距离，根据距离最近原则，把数据对象分配给离它最近的聚类中心所代表的簇中；再重新计算各个簇的聚类中心，根据选定的聚类准则函数，采用迭代的方法，不断重复以上过程直到聚类准则函数收敛或者是相邻两次的聚类中心没有变化为止。
每一次迭代，都增加了簇内紧凑性，降低了簇间相似性。
当所有数据对象被正确划分后，下一次迭代聚类中心将不会再发生变化，这时聚类结果已达到最优，算法结束。
K-means 算法的具体过程描述如下：(1) 从给定样本数据集中随机选取k 个数据点作为初始聚类中心；(2) 计算数据集中每个数据到这k 个聚类中心的距离并将每个数据点分配给离它最近的中心点所代表的簇；(3) 计算每个簇中所有数据点的平均值作为每个簇的新的中心；(4) 判断聚类准则函数是否收敛或聚类中心点和上次是否完全相同，若收敛或中心点无变化，则算法结束，输出聚类结果，否则转到步骤(2)。
下面给出一个K-means 算法的例子，以更好的说明该算法的聚类过程。
已知一个数据对象集合X =，各数据对象的值如表所示。
现在要求将数据对象集X 划分为两类，即k=2。
首先随机选择两个点作为初始聚类中心，在这里我们选择和，分别作为和两个簇的初始聚类中心。
然后计算到和的欧式距离，通过公式来计算，如下所示：根据计算可知，距离比距离更近，所以应将划分到所表示的簇中，同理将划分到簇中，将划分到簇中。
基于改进的k-means算法的新闻聚类的研究
基于改进的k-means算法的新闻聚类的研究随着社交媒体和网上新闻的日益发展，每天都会产生海量的信息。
为了更好地管理这些信息并实现有效的信息筛选，新闻聚类技术应运而生。
聚类技术可以将具有相似主题和特征的新闻聚集在一起，从而帮助用户更轻松地了解和获取感兴趣的信息。
在这项研究中，我们提出了一种改进的k-means聚类算法，用于新闻聚类。
该算法首先对新闻进行预处理，然后根据弗洛伊德算法计算文本之间的相似度。
具体步骤如下：1. 数据预处理在实际应用中，数据的清理和预处理是非常重要的。
对于新闻聚类来说，数据预处理包括去除标点符号、停用词，进行分词和词干提取等。
这些步骤都有助于减少文本维度，提高聚类的准确性和速度。
2. 计算相似度我们使用弗洛伊德算法来计算文本之间的相似度。
弗洛伊德算法是一种动态规划算法，可以在一个加权的有向图上计算所有节点之间的最短路径。
对于我们的新闻聚类问题，我们可以将所有的文本看作是图中的节点，根据共现词的频率建立边权重，从而计算节点之间的最短距离。
3. k-means聚类在计算相似度之后，我们使用改进的k-means算法将文本聚类成k个集群。
改进的k-means算法包括以下几个步骤：（1）初始化：根据随机质心的方法初始化k个簇。
（2）赋值：计算每个文本到k个簇质心的距离，将文本分配到最近的质心所在簇。
（3）更新质心：根据簇内所有文本的平均值，更新每个簇的质心。
（4）迭代：重复步骤2和步骤3直到质心不再变化或者达到最大迭代次数。
4. 聚类后处理最后，我们对聚类结果进行后处理。
我们使用标签传播算法来合并一些相关度高的类别。
标签传播算法基于贪心策略，将具有相似标签的文档合并到一个类别中。
实验结果显示，我们提出的改进k-means算法在新闻聚类方面可以有效地提高聚类准确性和速度。
这种算法在实际应用中可以帮助用户更轻松地了解和获取感兴趣的信息。
数据挖掘中的K_means算法及改进
福建电脑２００６年第１１期数据挖掘中的K-means算法及改进贾磊，丁冠华（武警工程学院研究生队陕西西安７１００８６）【摘要】：从数据挖掘的基本概念入手，逐步深入分析本质，并且对ｋ－ｍｅａｎｓ进行探讨，对其中的聚类中心的方法进行了改进。
【关键词】：数据挖掘；ｋ－ｍｅａｎｓ算法；聚类中心１．数据挖掘的含义１．１概念：数据挖掘是一个处理过程，它利用一种或多种计算机学习技术，从数据库的数据中自动分析并提取知识。
数据挖掘会话的目的是确定数据的趋势和模式。
它是基于归纳的学习策略，创建的模型是数据的概念概化，概化可表示为树、网络、方程或一组规则的形式。
１．２数据挖掘过程：数据挖掘是一个多步骤过程，包括挖掘数据，分析结果和采取行动，被访问的数据可以存在于一个或多个操作型数据库中、一个数据仓库中或一个平面文件中。
２．Ｋ－ｍｅａｎｓ算法Ｋ－ＭＥＡＮＳ算法是一个简单而有效的统计聚类技术。
其算法如下：⑴选择一个Ｋ值，用以确定簇的总数。
⑵在数据集中任意选择Ｋ个实例，它们是初始的簇中心。
⑶使用简单的欧氏距离将剩余实例赋给距离它们最近的簇中心。
⑷使用每个簇中的实例来计算每个簇新的平均值。
如果新的平均值等于上次迭代的平均值，终止该过程。
否则，用新平均值作为簇中心并并重复步骤３－５。
算法的第一步需要我们做出一个初始判断，即认为数据中应表示多少个簇。
下一步，算法任意选择Ｋ个数据点作为初始簇中心。
然后，每个实例被放置在与它最相似的簇里，相似性右以以多种方式来定义。
不过，最常使用的相似性度量指标是简单欧氏距离。
举例：我们将两个属性命名为ｘ和ｙ将各个实例映射到ｘ－ｙ坐标系中。
这种映射显示在图中。
第１步，我们必须选择一个Ｋ值。
假设我们认为有两个不同的簇。
因此，我们将Ｋ设置为２。
该算法任意选择两个点代表初始簇中心。
假设算法选择实例１作为第１个簇中心，选择实例３作为第２簇中心，下一步就是地剩下的实例进行分类。
根据坐标为（ｘ１，ｙ１）的点Ａ与坐标为（ｘ２，ｙ２）的点Ｂ之间的欧氏距离公式，为演示算法的工作原理，进行以下的计算。
《数据挖掘实验》---K-means聚类及决策树算法实现预测分析实验报告
实验设计过程及分析：1、通过通信企业数据（USER_INFO_M.csv），使用K-means算法实现运营商客户价值分析，并制定相应的营销策略。
（预处理，构建5个特征后确定K 值，构建模型并评价）代码：setwd("D:\\Mi\\数据挖掘\\")datafile<-read.csv("USER_INFO_M.csv")zscoredFile<- na.omit(datafile)set.seed(123) # 设置随机种子result <- kmeans(zscoredFile[,c(9,10,14,19,20)], 4) # 建立模型，找聚类中心为4round(result$centers, 3) # 查看聚类中心table(result$cluster) # 统计不同类别样本的数目# 画出分析雷达图par(cex=0.8)library(fmsb)max <- apply(result$centers, 2, max)min <- apply(result$centers, 2, min)df <- data.frame(rbind(max, min, result$centers))radarchart(df = df, seg =5, plty = c(1:4), vlcex = 1, plwd = 2)# 给雷达图加图例L <- 1for(i in 1:4){legend(1.3, L, legend = paste("VIP_LVL", i), lty = i, lwd = 3, col = i, bty = "n")L <- L - 0.2}运行结果：2、根据企业在2016.01-2016.03客户的短信、流量、通话、消费的使用情况及客户基本信息的数据，构建决策树模型，实现对流失客户的预测，F1值。
一种改进的K—means算法在异常检测中的应用
一种改进的K—means算法在异常检测中的应用
陈庄;罗告成
【期刊名称】《重庆理工大学学报》
【年(卷),期】2015(029)005
【摘要】为提高K-means聚类算法在异常检测中的效果，给出一种改进的K-means聚类算法。
基于最大距离选取初始聚类中心，并引入信息熵计算各个属性的权重，用改进后的加权欧氏距离公式计算数据集中样本点间的距离。
选取KDDCUP99数据集测试算法的性能。
实验结果表明，本算法有助于提高异常检测的检测率和降低误报率。
【总页数】5页(P66-70)
【作者】陈庄;罗告成
【作者单位】重庆理工大学计算机科学与工程学院,重庆400054
【正文语种】中文
【中图分类】TP305
【相关文献】
1.一种改进的 K-means 算法在异常检测中的应用
2.一种改进免疫遗传算法及在异常检测中的应用
3.一种改进的图分割算法在用户行为异常检测中的应用
4.混沌改进鱼群算法及其在工业控制网络异常检测中的应用
5.Jaccard改进算法在用户实体行为分析分组异常检测中的应用
因版权原因，仅展示原文概要，查看原文内容请购买。
K-means的优缺点及改进
K-means的优缺点及改进K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。
该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。
k个初始类聚类中心点的选取对聚类结果具有较大的影响，因为在该算法第一步中是随机的选取任意k个对象作为初始聚类的中心，初始地代表一个簇。
该算法在每次迭代中对数据集中剩余的每个对象，根据其与各个簇中心的距离将每个对象重新赋给最近的簇。
当考察完所有数据对象后，一次迭代运算完成，新的聚类中心被计算出来。
如果在一次迭代前后，J的值没有发生变化，说明算法已经收敛。
1）从N个文档随机选取K个文档作为质心2）对剩余的每个文档测量其到每个质心的距离，并把它归到最近的质心的类3）重新计算已经得到的各个类的质心4）迭代2～3步直至新的质心与原质心相等或小于指定阈值，算法结束具体如下：输入：k，data［n］;（1）选择k个初始中心点，例如c［0］=data［0］，…c［k-1］=data［k-1］；（2）对于data［0］….data［n］，分别与c［0］…c［k-1］比较，假定与c［i］差值最少，就标记为i；（3）对于所有标记为i点，重新计算c［i］={ 所有标记为i的data［j］之和}/标记为i 的个数；（4）重复（2）（3），直到所有c［i］值的变化小于给定阈值。
K-means算法的优点是：首先，算法能根据较少的已知聚类样本的类别对树进行剪枝确定部分样本的分类；其次，为克服少量样本聚类的不准确性，该算法本身具有优化迭代功能，在已经求得的聚类上再次进行迭代修正剪枝确定部分样本的聚类，优化了初始监督学习样本分类不合理的地方；第三，由于只是针对部分小样本可以降低总的聚类时间复杂度。
K-means算法的缺点是：首先，在K-means 算法中K 是事先给定的，这个K 值的选定。
一种k-means聚类的改进算法与实现
ＤＯＮＧ— ＨＥＲ ＳＨＩ ， Ｏ— ＮＧ Ｕ Ｎ ， Ｈ Ｐ ＩＩ Ｓ ＤＡＶＩ Ｃ． ＹＥＮ．Ｔａ ｏ ｏ ｙ Ｄ ｘｎ ｍ
［］２０． ｓ．０３
，ＤＯＮＧＷ ００Ｋ ＩＥＥ，ＹｏＵＮＧＷ Ｏ０ Ｙ０ＵＮ． ［ ］ Ｊ ＨＷ ＡＮ ＣＨＯＩ ６ Ｉ
第 １卷 第 ３ １ 期
２ １年 ３ ０２ 月
软 件 导 刊
Ｓ ｌｗ ａｅＧｕｉｅ ｏｆ ｒ ｄ
ＶＯ１１ ｏ ３ ． ｌＮ ． Ｍ ａ ２ ２ ｒ Ｏｌ
一
种 ｋｍｅ ． ａ ｓ聚 类 的 改 进 算 法 与 实 现 ｎ
冯 能 山 ， 志 华 熊金 志 祝 建 军 林 ， ，
Ｋ，ＲＦＩ Ｈ ＡＮＤＢＯＯＫ ，Ｆｕ ｄ ｍ ｅ ｔ ｌ ａ ｄ ａ — Ｄ－ ｎ ａ ｎ ａｓ ｎ ｐ Ｅ］ ＦＩ ３ ＮＫＥＮＺＥＬＬＥＲ ｐ ｉ ａ ｉ ｎ ｎ ｃ ｎ ａ ｔｅ ｓｓ ａ ｔｃ ｒ ｓ ｉ ｅ ｔｆｃ ｔ ｎ（ ｎ ｅ ｄ Ｅｄ ｔ ｎ） ｌ ｔｏ ｓ ｉ ｏ ｔ ｃ ｌｓ ｍ ｒ ａ ｄ ｄ ｎ ｉｉａ ｉ Ｓｅ ｃ ｎ ｉｉ ｃ ｏ ｏ
所 需 比特 数 降 低 到 了 最 少 ， 不 随标 签 Ｉ 的 长 度 变 化 而 且 Ｄ 影 响 。因 此 ， 算 法 对 于 ＲＦ Ｄ 防 碰 撞 技 术 有 着 极 其 重 要 该 Ｉ
的意 义。
参 考 文 献
詹 彭 返 ［ ］ 余松 森 ， 宜 巨， 卫 东． 回 式 索 引 的 二 进 制 树 形 搜 索反 碰 撞 算 １
方 法存 在 初 始 ｋ值 不 确 定 、 间复 杂 度 大等 缺 点 。针 对 这 些缺 点 ， 进 了 聚 类 初 值 的 随 机 性 问题 ， 时 改 简化 了算 法 ， 降低 了时 间 复 杂 度 ， 高 了 ｋ ｍｅ ｎ 算 法 的性 能 ， 给 出 了具 体 的 代码 实现 。 提 － ａｓ 并
基于改进的k-means算法的新闻聚类的研究
基于改进的k-means算法的新闻聚类的研究新闻聚类是一种对海量新闻进行分类整理的技术手段，它能够帮助人们快速地了解新闻的主题和热点，对于新闻媒体和信息服务提供商而言具有重要意义。
基于k-means算法的新闻聚类是目前比较常见的一种方法，但是传统的k-means算法存在一些问题，如对初始聚类中心的敏感性较强、需要事先确定聚类数目等。
如何对k-means算法进行改进，提高其在新闻聚类中的应用效果成为了研究的热点之一。
最新的研究表明，通过引入一些改进措施，可以有效提高基于k-means算法的新闻聚类的性能。
以下是一项基于改进的k-means算法的新闻聚类研究的具体内容。
该项研究对传统的k-means算法进行了深入的分析，发现在新闻聚类的过程中，传统的k-means算法容易受到初始聚类中心的选择影响，因此容易陷入局部最优解。
为了解决这一问题，研究团队提出了一种基于密度的初始聚类中心选择方法。
具体而言，他们通过计算每个新闻样本点的密度来确定初始聚类中心，使得初始聚类中心更加合理地分布在整个样本空间中，从而有效避免了传统k-means算法对初始聚类中心敏感的问题。
在传统的k-means算法中，需要事先确定聚类数目，这对于新闻聚类来说是一个较为困难的问题，因为新闻的主题和数量是动态变化的。
研究团队提出了一种自适应的聚类数目确定方法，即通过评估聚类内部的紧密度和聚类之间的分离度来自适应地确定聚类数目。
这种方法在一定程度上解决了传统k-means算法需要事先确定聚类数目的问题，提高了其在新闻聚类中的灵活性和适用性。
传统的k-means算法对异常点较为敏感，容易受到异常点的干扰，从而影响聚类结果的准确性。
为了解决这一问题，研究团队引入了一种基于局部密度的异常点检测算法，通过计算每个样本点周围的局部密度来识别异常点，并对其进行有效的处理。
这种改进措施有效提高了基于k-means算法的新闻聚类对异常点的鲁棒性，使得聚类结果更加稳健和可靠。
《基于改进K-means聚类和WKNN算法的WiFi室内定位方法研究》范文
《基于改进K-means聚类和WKNN算法的WiFi室内定位方法研究》篇一一、引言随着无线通信技术的快速发展，室内定位技术在诸多领域如智能建筑、物流管理、智慧城市等扮演着日益重要的角色。
其中，WiFi因其覆盖面广、布网方便和低成本等优势，已成为室内定位的主流技术之一。
然而，传统的WiFi室内定位方法在面对复杂多变的室内环境时，仍存在定位精度不高、稳定性差等问题。
因此，本文提出了一种基于改进K-means聚类和WKNN（加权k近邻）算法的WiFi室内定位方法，旨在提高定位精度和稳定性。
二、K-means聚类算法的改进K-means聚类算法是一种常用的无监督学习方法，通过迭代优化将数据划分为K个聚类，使得每个聚类内部的样本具有较高的相似性。
在WiFi室内定位中，我们可以将WiFi信号强度作为数据特征，利用K-means算法对不同位置点的WiFi信号强度进行聚类。
然而，传统的K-means算法在处理大规模数据时存在计算复杂度高、易陷入局部最优等问题。
因此，本文提出了一种改进的K-means算法。
该算法通过引入密度峰值检测技术，能够在迭代过程中自动识别并剔除噪声数据和异常值，从而提高聚类的准确性和稳定性。
此外，我们还采用了一种基于质心的初始化方法，以减少算法陷入局部最优的可能性。
三、WKNN算法的引入WKNN算法是一种基于距离度量的分类与回归方法，通过计算待测样本与已知样本之间的距离，并赋予不同的权重，以实现对未知样本的分类或预测。
在WiFi室内定位中，我们可以将WKNN算法应用于计算用户设备（UE）与各个接入点（AP）之间的距离，进而确定UE的位置。
相比传统的KNN算法，WKNN算法通过引入权重因子，能够更好地处理不同特征之间的差异性，提高定位精度。
此外，WKNN算法还可以通过调整权重的计算方式，灵活地适应不同的应用场景和需求。
四、基于改进K-means和WKNN的WiFi室内定位方法本文将改进的K-means聚类算法和WKNN算法相结合，提出了一种新的WiFi室内定位方法。
基于商空间理论的K—means改进算法
（ Ｆ ａ ｃ ｕ ｌ ｔ ｙ ｏ ｆ Ｃ ｏ ｍ ｐ ｕ ｔ ｅ ｒ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ， Ｘ ｉ ’ ａ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｙ， ｇ Ｘ ｉ ’ ａ ｎ ７ １ ０ ０ ４ ８ ， Ｃ ｈ ｉ ｎ ａ ）
第二阶段的 Ｋ ． ｍ对 Ｋ — ｍ ｅ ａ ｎ ｓ 算法的影 响， 并且 能够使 Ｑ Ｉ ＭＫ Ｍ 识 别 出非球 状 的类簇 。
关键 词 ：聚 类分析 ； 粒 度计 算 ； 商 空间理论 ； Ｋ均值 算 法
k-means算法原理
k-means算法原理k-means算法是一种基本的聚类算法，其原理是根据样本间的距离，将样本分为k个簇。
k-means算法经常被用来对数据进行聚类分析、图像分割等应用。
k-means算法的过程可以分为以下几步：1. 随机选择k个样本作为初始簇的中心点。
2. 计算每个样本点和每个簇中心点的距离，并将每个样本点分配到距离最近的簇中心点所在的簇中。
3. 对每个簇重新计算中心点。
4. 重复步骤2和3，直到簇不再发生变化或达到预设的最大迭代次数。
现在我们来具体介绍一下k-means算法的原理：1. 初始化簇这里的簇是指由样本组成的集合，k指分成的簇的数量。
初始簇的中心点是随机选择的，可以是任意k个样本点。
如果簇的初始中心点选择不够好，最终聚类结果也可能不理想。
应该在不同的随机样本中进行实验，以确定最佳的初始聚类中心点。
2. 分配样本点在第二步中，我们需要计算每个样本点到各个簇中心点的距离，并将其分配到距离最近的簇中。
这里的距离可以使用欧几里得距离、曼哈顿距离、切比雪夫距离等方式来衡量。
3. 计算新的簇中心点在第三步中，我们需要重新计算每个簇的中心点。
这一步可以采用平均法来计算每个簇中样本点的坐标平均值，从而得到一个新的簇中心点。
4. 重复迭代在第四步中，我们需要重复进行步骤2和步骤3，直到簇不再发生变化或达到预设的最大迭代次数。
如果簇中新的中心点位置与原来的中心点位置相同，那么我们可以认为算法已经收敛。
5. 输出聚类结果最后一步是输出聚类结果。
可以将同一簇的样本点标记为同一类，从而得到聚类结果。
对于大规模的数据集，我们可以采用MapReduce等并行计算框架来加速计算，从而提高算法的效率和可扩展性。
总结：k-means算法是一种简单而又经典的聚类算法，可以发现数据中的分布结构，对于模式识别及数据分析等领域有着广泛的应用。
需要注意的是，k-means算法的聚类结果会受到初始簇中心点的影响，因此需要进行多次实验，从而得到最佳的聚类结果。
python_一维数据的k-means算法_概述及解释说明
python 一维数据的k-means算法概述及解释说明1. 引言1.1 概述本文将介绍K-means算法在处理一维数据上的应用。
K-means算法是一种常用的聚类分析方法，可帮助我们将数据集划分为不同的簇。
聚类分析是一种无监督学习方法，通过找到数据中的相似性来对其进行分类，从而提取出隐藏在数据背后的模式和特征。
1.2 文章结构本文共包含以下几个部分：引言、K-means算法概述、一维数据的K-means 算法解释、示例与实现讲解以及结论与展望。
在引言部分，我们将提供一个简要介绍并概括本文所要讨论的主题。
接下来，在K-means算法概述中，我们将详细解释该算法的原理、步骤说明以及适用的场景。
然后，我们会详细探讨如何在一维数据上应用K-means算法，并对其中涉及到的数据预处理、聚类中心计算与更新以及聚类结果评估与迭代调整进行解释。
紧接着，在示例与实现讲解部分，我们将通过具体示例来演示如何使用Python 编写代码实现一维数据的K-means算法，并给出结果可视化和分析解读。
最后，在结论与展望部分，我们将总结本文的主要观点和发现，并展望未来关于K-means算法在一维数据上的研究方向和应用场景的拓展。
1.3 目的本文的目标是为读者提供对K-means算法在处理一维数据时的全面了解和应用指导。
通过阅读本文，读者将了解K-means算法的基本原理、步骤说明以及适用场景，并能够根据具体需求编写代码实现该算法并进行结果分析和解释。
同时，我们还希望通过本文对一维数据的K-means算法进行详细讲解，加深读者对该算法在实际问题中的应用理解和掌握能力。
2. K-means算法概述：2.1 算法原理：K-means算法是一种基于聚类的机器学习算法，主要用于将一组数据分成k 个不同的簇。
该算法通过计算数据点与各个簇中心之间的距离来确定每个数据点所属的簇，并且不断迭代更新簇中心以优化聚类结果。
其核心思想是最小化数据点到其所属簇中心的欧氏距离平方和。
改进的K-means聚类图像分割算法设计与实现
改进的K-means聚类图像分割算法设计与实现
韩煜;孟峻可;刘丽娜
【期刊名称】《软件》
【年(卷),期】2022(43)12
【摘要】信息化时代,图像分割技术在医学、国土及交通等诸多领域得到广泛应用。
K-means算法具有简单易实现的特点,是常用的图像分割算法,但它存在对初始值选取敏感等缺点。
麻雀搜索算法是新提出一种群体智能算法,该算法在搜索进度、收
敛速度和稳定性等方面性能优越。
该文章利用麻雀搜索算法优化传统K-means算法的初始值,提出SSK-means算法。
实验结果表明,对于给出的四组图像,SSK-means算法分割结果均优于传统K-means算法的分割结果。
【总页数】5页(P15-18)
【作者】韩煜;孟峻可;刘丽娜
【作者单位】金华高等研究院人工智能研究所;苏州大学电子信息学院
【正文语种】中文
【中图分类】TP3
【相关文献】
1.一种改进的K-means聚类自然图像分割算法设计与实现
2.一种改进的K-means聚类算法在图像分割中的应用
3.基于改进K-means聚类算法的金鱼阴影
去除及图像分割方法4.一种改进的K-means聚类服装图像分割算法5.基于K-means聚类的通航协同空域规划算法设计和实现
因版权原因，仅展示原文概要，查看原文内容请购买。
K-means聚类算法的研究的开题报告
K-means聚类算法的研究的开题报告一、选题背景K-means聚类算法是一种常用的聚类算法，它可以把数据分成K个簇，每个簇代表一个聚类中心。
该算法适用于大数据分析、图像分析等领域。
由于其具有简单、快速、效果明显等特点，因此备受研究者的关注。
二、研究意义K-means聚类算法在大数据分析、图像分析等领域的应用广泛，研究该算法有着十分重要的意义。
本次研究将对该算法进行探究，通过改进和优化算法，提高其聚类效果和运行效率，为实际应用提供更加可靠、有效的解决方案。
三、研究内容与方法本研究将围绕K-means聚类算法展开，重点探讨以下内容：1. K-means聚类算法原理及优缺点分析2. 基于距离的K-means聚类算法优化3. 基于密度的K-means聚类算法研究4. 算法的实现与效果评估在研究方法上，将采用文献调研、数学统计方法、算法实现和效果评估等多种方法对K-means聚类算法进行研究。
四、计划进度安排本研究总计时长为12周，具体进度安排如下：第1-2周：文献调研，研究K-means聚类算法的原理和优缺点分析第3-4周：基于距离的K-means聚类算法优化第5-6周：基于密度的K-means聚类算法研究第7-8周：算法实现第9-10周：效果评估第11-12周：论文撰写和答辩准备五、预期研究结果本研究将针对K-means聚类算法进行深入探究，并尝试改进和优化算法，提高其聚类效果和运行效率。
预期研究结果将包括以下几个方面：1.对该算法的优缺点进行全面分析，揭示其内在机制和局限性。
2.基于距离和密度两种方法对算法进行优化，提高其聚类效果和运行效率。
3.通过实验评估算法效果，得出具体的结论。
4.输出论文成果，向相关领域进行贡献。
六、研究的难点1.算法优化的设计，需要具备一定的数学和计算机知识。
2.实验的设计需要满足实际应用场景，需要有较强的应用能力。
3.研究过程中可能遇到一些技术难点，需要耐心解决。
七、可行性分析K-means聚类算法是广泛使用的算法之一，其研究具有实际意义和可行性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
它在获取潜在客户 、 少客户 流失 、 减 降低服 务成 本 、 提 升客户价值 、 提高满意度 、 制定精确化营销策略等方面 具有重要意义 。建立移动通信行 为特征分析 的 目 的就是要将 Ａ Ｃ接 口信令 解码 数据 、 Ｏ Ｓ计 费数据 、 Ｂ Ｓ ＧＲ Ｐ Ｓ上网数 据等通信行 为特征数 据用 于辅 助 营销 决 策。通过对客户接打电话 、 收发短信 、 上网以及 开关 机 等通信 行为进行数 据挖 掘 ， 隐藏 在这 些数 据 中的尚 将 未被 发现的知识 提取 出来 ， 使企业 更清 楚地 了解用 户 通信行 为差 异化特 征 ， 以便 市场部 门可 以对不 同 的用 户制定 不同的营销 策略 ， 并且在宣传推广 、 新业务交叉
征分析客户聚类 有效。
１ Ｋ－ ａ ｓ ｍｅｎ 模型介绍
１ １ Ｋ－ ａ ｓ ． ｍｅｎ 算法实现
收 稿 日期 ：００ １ — ６； 回 日期 ：０ ｌ Ｏ — ７ ２ １— ０ ２ 修 ２ １— １ ２ 基 金 项 目 ： 空 预 研 项 目（ ２０ Ｂ ００ ） 广 ＧＫ ０ ９ Ｅ １ ２
云 （ ９４ ）， 湖北天 门人 ， １７ 一 男， 硕士 ， 工程师 ， Ｃ 会 ＣＦ
员， 研究方 向为通信技术 、 网络安全。
・
６ ４・
计算机技术 与发展
第２ １卷
识 和多个特征数据 ， 过对记 录特征 数据 的 聚类分 析 通
该尽可能的小 ， 一般用方差来衡量 ， 应该使方差达到最
第 ２ 卷 第 ６期 ｌ ２１ ０ １年 ６月
计 算 机 技 术 与 发 展
ＣＯＭＰ ＵＴＥＲ ＴＥＣ ＨＮＯＬＯＧＹ ＡＮＤ ＤＥＶＥＬ ＯＰＭＥＮＴ
Ｖｏ ＿ Ｎｏ． ｌ ２ｌ ６
Ｊｎ ２ ｌ ｕ ｅ ０１
改进 Ｋ ｍｅ ｎ — ａ ｓ算 法实现移 动通信 行为 特征分 析
ｅ ｃ ，Ｔｈ ｅ ｕ ｔｏ ｔ ｄ ｎ ｉ ａｅ ｈ ｔａ ｃ ｒ ｉ ｏ ｂ ｈ ｖ ｏ ａ ｈ ａ ｔｒｓ ｃ ａ ａｙ ｉ ｍｐ ｏ ｉ ｇ Ｋ—ｍｅ ｎ ｇ ｒｔ ｍ ｌ ｕ ｄ ｖ ｄ ｈ ｎｅ ｅ ｒ ｓ ｌ ｆｓｕ ｙ ｉ ｄ ｃ ｔ ｓｔ ａ ｃ ｏ ｄ ｎｇ ｔ ｅ ａ ｉ ｒ ｃ ａ ｃ ｅ ｉｔ ｌ ｓｓ ｉ ｒ ｖ ｎ ｌ ｒ ｉ ｎ ａ ｓａ ｏ ｈ ｌ ｉ ｗｉ ｓ ｂ ｉ ｉ ｅ ｔ ｅ ｌ ｃ ｕ ｔ ｒ ｔ ｈ ｂ ｌ ｏ ｌ ｓｅ ｏ ｔ ｅ ｍｏ ｉｅ ｃ ｍｍｕ ｉ ａ ｏ ｕ ｔ ｍｅ ｆｅ ｔ ｅ ｙ ｎ ｃ ｔ ｎ ｃ ｓｏ ｒｅ ｆ ｃ ｖ ｌ ． ｉ ｉ
文献 标识 码 ： Ａ
文章 编号 ： ７ — ２ Ｘ ２ １）６ ０６ — ３ １ ３ ６９ （０ １０ — ０３ ０ ６
Ａｐｐ ｉａ ｉ ｎ ｏ ｍ ｐｒ ｖ ｄ Ｋ － ｅ ｎｓＡｌ ｏ ｉｈｍ ｎ Ｍ ｏ ｌ ｌｃ ｔｏ ｆＩ ｏ ｅ Ｍ ａ ｇ ｒｔ ｉ ｂｉｅ
Ｃｏ ｍｍ ｕ ｉａ ｉ ｎ Ｂｅ ａ ｉ ｒ ｌＣｈ ｒ ｃｅ ｉｔ ａ ｙ ｉ ｎ ｃ ｔｏ ｈ ｖｏ ａ ａ ａ ｔ ｒｓｉ Ａｎ ｌ ｓｓ ｃ
法 的上 述影 响参数 的计算 方法 ， 利用 经验 加权 的方 式使算 法 与主观 经验 结合 。研究 结果 表 明改进 Ｋ ｍ ａｓ 法 对移 动 并 — ｅｎ 算
通 信特 征分 析客 户聚 类有效 。
关 键词 ： 客户 细分 ； — ｅ ｎ ； 响 因子 Ｋ ｍ ａ ｓ影
中图分 类号 ：Ｐ０ ． Ｔ ３ １６
Ｈ ｕ ， Ｉ ｕ ， ＡＯ Ｎ ｎ －ｉｎ Ｚ ＡＯ Ｒ ｎ －ｈ ｎ Ｅ Ｙ ｎ Ｌ ｉＹ ｅ ｇ ｊ ， Ｈ ｏ ｇ ｓｅｇ Ｈ ａ
（ｏ Ｃ ｍｍａｄＡ ｔｍａｉ ｆｃ ， ｕｎ ｚｏ ｌａ ｅ ｉ ｉ Ｆ ｒｅ Ｇ ａｇｈ ｕ５ ０ ７ ， ｈｎ ） ｎ ｕｏ ｔ ｎＯ ｅ Ｇ ａｇｈ ｕＭｉｔｙＲ ｇｏ Ａｒ ｏｃ ， ｕｎ ｚ ｏ １０ １ Ｃ ｉａ ｏ ｉ ｉｒ ｎ
ｂ ｖ ｇｒｈ ａｆｃ ａａ ｅｅｓ ａｃｌ ｏ ｔｏ ｕ ｌｅｅｐｒ ｎ ｅｗｅ ｈ ｎ ｙｔ ｋ ｌｏ ｔｍ ｉｄｗｔ ｕｊｃｉｅｅｐｒ ｏ ｅａ ｏ ｔｍ ｆｅｔ ｐｒ ｔ ｌ ｕａ ｎｍｅ ｄ， ｔｉ ｘ ｉ ｃ ｉ ｔ ｇｗａ ｍａｅａ ｒ ｌ ｉ ｓ ｍ ｒｃ ｉ ｔ ｈ ｉｚ ｅ ｅ ｇｉ ｏ ｇｉ ｈ ｂｎ ｉ ｓｂｅｔ ｘ ｉ ｈ ｖ ｅ —
样本集根据它们 之间的相似程度分为预先制定 的 个
ｏ ＝∑ （ ） ｒ ｃ
营销 中发 挥作 用 ， 一步 巩 固和 发展 与客 户 的关 系 。 进 Ｋ— ａｓ ｍｅｎ 算法被广泛用 于客户细 分聚类应 用研究 ， 但 Ｋ— ａｓ ｍｅｒ 算法的效果受变 量 的量 纲 、 ｌ 维度 、 聚类数 、 初 始 聚点等 因子 的影 响很 大 “ ， 量应用 研究 表 明上 大 述影响 因子与具体的案例和主观经验相关联 。 文 中试 图通过基于移动通信行为特征分析的客户 聚类实例改进 Ｋ— ａｓ 法 的上述影 响 参数 的计算 ｍｅｎ 算 方法 ， 并利用经验加权 的方式 使算法与主观 经验结 合。 研 究结果 表明改进 Ｋ— ａｓ 法对移 动通 信行 为特 ｍｅｎ 算
纲、 度、 维 聚类数 、 初始 聚点 等参数 的计 算是 影 响 Ｋ ｍ ａｓ 法聚类 应用 效果 的重要 因子。在基 于 Ｋ ｍ ａｓ — ｅｎ 算 — ｅｎ 算法 移动通 信 行为 特征 分析 系统 的实现 过程 中 ， 分别 从 特征维 度选 择 、 量量 纲统 一 、 变 聚类数 Ｋ值 与初始 聚点 的 确定 等 四个方 面 改进 算
监督 学 习， 而数据 聚类 则称 为非 监督 学 习。聚类分 析
间中心点 的距离 、 间最远 点 的距 离 和类 问最 近点 的 类
距离三种 。 具体验证 方法如下 ： 对数据 集 ｛ ｝ ：（ … ， … ， ） 其 中 ｉ ， ， ＝ １２ … ，。设有 个类 ， ，， 类 包含 了 。 个样本 ， 中 ｉ 其
Ｂ Ｓ 数据 、 Ｃ接 口信令解码 数据 、 Ｐ Ｓ数 据通 ＯＳ Ａ ＧＲ 过采集 、 抽取 、 转换 、 载到数 据仓库 等步 骤形成 通信 加 行 为特征 数据 ， 通信 行 为特 征包 括语 音行 为 、 短信 行 为 、 网行 为等 多种 行为 特征。每个 记录包 含实 体标 上
作者简介 ： 何
Ａｂ ｔ ａ ｔ Ｋ－ｍｅ ｓ ａ ｇ ｒｔ ｍ ｓ ｗｉ ｅ ｙ ｕ ｅ ｏ ｃ ｓｏ ｒｓ ｇ ｎ ａ ｉ ｎ ｃ ｕ ｔｒｎ ｐ ｉ ａｉ ｎ ｒ ｓ ａ ｃ ｓｒ ｃ ： ｎ ａ ｌｏｉ ｈ ｉ ｄ ｌ ｓ ｄ ｔ ｕ ｔ ｍｅ ｅ ｍｅ ｔｔｏ ｌ ｓｅ ｇ ａ ｐｌ ｔｏ ｅ ｅ ｒ ｈ，ｃ ｔ ｍｅ ｅ ｍｅ ｔ ｔ ｎ ｏ ｂ ｌ ｉ ｃ ｕｓ ｏ ｒｓ ｇ ｎａ ｉ ｆｍｏ ｉ ｏ ｅ
何 云， 李 辉 ， 能坚 ， 姚 赵榕生
（ 州军 区空 军 指挥 自动化 工作站 ， 东 广 州 ５ ０７ ） 广 广 １０ １
摘 要 ： － ｅｎ 算法 被广 泛用 于客户 细分 聚类应 用研 究 ， Ｋ ｍ ａｓ 客户 细分 对移 动 通信 行 业具 有 重要 的 商业 价值 。但 变 量 的量
ｈ ｓ ｉ ｏ ｔｎ ｏ ａ ｍｐ ｒ ｔｃ ｍｍｅ ｃ ａ ａｕ ．Ｂｕ ｉ ｎ ｉ ｎ ｎ ｔ ｉ ｎ ｉ ｎ ｏ ａｉ ｂ ｅ，ｃ ｕ ｔ ｒｎ ｍ ｂ ｒ ｎ ｔａ ｅ ｔ ｉ ｓ ｅｃ ａ－ ａ ｒｉ ｖ ｌｅ ｌ ｔｄ ｍｅ ｓ ｕ ｉ ，ｄ ｍｅ ｓｏ ｆｖ ｒａ ｌ ｏ ｌ ｓ ｕ ｅ ｓ，ｉ ｉ ｌ ｎ ｒ ｄ ， ｔ ．ｃ ｌ ｅ ｉ ｃ ｏ ｃ ｌｔｏ ｆ ｅ ｅｐ ｒ ｍｅｅ ｓｉ ｍｐ ｒａ ｔ ａ ｔ ｒｏ ｆｕ ｎ ｉ ｇ Ｋ— ａ ｓａｇ ｒｔ ｍ ｌ ｓｅ ｐ ｌ ａ ｏ ｅ ｕ ｔ ｕ ａ ｉ ｎ ｏ ｓ ａ ａ ｔ ｒ ｓｉ ｏ ｔ ｎ ｃ ｏ ｆｉ ｌ ｅ ｃｎ ｍｅ ｎ ｏ ｈ ｃ ｕ ｔｒａ ｐ ｉ ｔ ｎ ｒ ｓ ｌ．Ｂａ ｅ ｎ Ｋ－ ａ ｓａ ｇ ｒｔ ｍ ｈ ｔ ｆ ｎ ｌ ｉ ｃｉ ｓ ｄ ｏ ｍｅ ｏ ｈ ｎ ｌ ｉ ｍｏ ｉ ｏ ｂ ｌ ｃ ｍｍｕ ｉ ａｉ ｎ ｂ ｈ ｖ ｏ ｈ ｒ ｃ ｅ ｓ ｃ ａ ａ ｙ ｉ ｐ ｏ ｅ ｓｏ ｌ ｍｅ ｔ ｇ，ｒ ｓ ｅ ｔ ｅｙ ｆ ｍ ｈ ｈ ｒ ｃｅ ｓ ｃｄ ｍｅ ｓｏ ｓｓ ｌ ｃ ｏ ｅ ｎ ｃ ｔ ｅ ａ ｉ ｒｃ ａ ａ ｔｒ ｔ ｌ ｓｓ ｒ ｃ ｓ ｆｉ ｅ ｎ ｎ ｏ ｉｉ ｎ ｍｐ ｉ ｅ ｐ ｃ ｉ ｌ ｒ ｖ ｏ ｔ ｅｃ ａ ａ ｔｒ ｔ ｉ ｎ ｉ ｎ ｅｅ ｔ ｎ， ｉｉ ｉ ｖ ｒ ｂ ｅ ｄ ｍｅ ｓｏ ｕ ｉ ｕ ｉ ａｉ ｌ ｉ ｎ ｉ ｎ ｎ ｔ ｎ ｔ ａ ｙ，ｃｕ ｔｒｎ ｍｂ ｒ Ｋ ａ ｕ ｄ ｉ ｉｉ ｅ ｔ ｉ ｓｄ ｔ ｒ ｎ ｔ ｎ ｆ ｕ ｓ ｅ ｔ ，ｉ ｒ ｖ ｅ ｄ ｔ ｒ ｉ ａ ｉ ｎ ｏ ｅ ａ ｌ ｓｅ ｕ ｅ ｖ ｅ ａ ｔａ ｃ ｎ ｒ ｄ ｅ ｅｍｉ ａ ｏ ｏ ｒａ ｐ ｃ ｓ ｍｐ ｅ ｔ ｅｅ ｎ ｔｏ ｆｔ — ｌ ｎ ｎ ｌ ｏ ｉ ｏ ｈ ｍ ｈ
：
１２ …Ｋ。数据集 的方差为 （ ＝（ ，， ）
一 ， ， ， …
） 其 中： ，
寺 。 ） （ 。
类 Ｃ 的方差为 ：ｒｃ） ｏ ＝（ （
（ ４ ）
… ， ｒ， ， ） 从 Ｏ … ，
而得到类 内方差 ：
的方法包括基 于划分 的方法 、 于密度 的方 法 、 于层 基 基 次的方法 、 基于 网格 的方法 、 于模 型的方 法等 。 基 。 由于移动通信行 为特 征数 据海量 的特 点 ， 本实 在 例 中聚类分析 的算法 主要采 用 Ｋ ｍ ａｓ 法 ］ — ｅｎ 算 。 Ｋ ｍ ａｓ － ｅｎ 算法是 简单而 有效 的统计 聚类 技 术 ， 将