文献综述（或调研报告）：
1.k-means和层次聚类的调研
K-means聚类算法是一种基于样本间相似性度量的间接聚类方法，其算法思路比较简单：首先从ｎ个数据对象中任意选择k个对象作为初始聚类中心；对于所剩下的其他对象，根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直至标准测度函数开始收敛为止．图为k-means聚类算法的串行计算流程。
串行实现算法的时间复杂度比较高，为ｎtimes;ｋtimes;ｔtimes;Ｏ，其中：ｎ为数据对象总个数；ｋ 为期望得
到的聚类的个数；ｔ为算法迭代的次数；Ｏ 为一次迭代中计算待分配数据到中心点距离的时间复杂
度．如果有１times;１０４ 个数据对象需要聚成１００个类，那么１次迭代中需要完成１times;１０６ 次计算数据对象到中心点的距离这个基本操作，这是算法中最耗时的部分，也是容易进行并行处理的：１个数
据对象在完成与ｋ 个聚类中心的距离比较的同时，其他数据对象也可以与聚类中心进行比较。
层次聚类[1] 方法对给定的数据集进行层次的分解，直到某种条件满足为止。具体又可分为凝聚的，分裂的两种方案。
1凝聚的层次聚类是一种自底向上的策略，首先将每个对象作为一个簇，然后合并这些原子簇为越来越大的簇，直到所有的对象都在一个簇中，或者某个终结条件被满足，绝大多数层次聚类方法属于这一类，它们只是在簇间相似度的定义上有所不同。
2分裂的层次聚类与凝聚的层次聚类相反，采用自顶向下的策略，它首先将所有对象置于同一个簇中，然后逐渐细分为越来越小的簇，直到每个对象自成一簇，或者达到了某个终止条件。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
