informИнформатикаInformatics1816-03012617-6963UIIP NASBinform-454Research ArticleОБРАБОТКА ИЗОБРАЖЕНИЙ И РАСПОЗНАВАНИЕ ОБРАЗОВМЕТОД ВЫБОРА НАЧАЛЬНЫХ ПРИБЛИЖЕНИЙ ЦЕНТРОВ КЛАСТЕРОВ ДЛЯ АЛГОРИТМА К-СРЕДНИХЗагребнюкВ. И.КумышВ. Ю.Одесская национальная академия связи им. А.С. ПоповаUkraine20101007201801(25)3240Copyright © Загребнюк В.И., Кумыш В.Ю., 20182018Загребнюк В.И., Кумыш В.Ю.Загребнюк В.И., Кумыш В.Ю.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://inf.grid.by/jour/article/view/454

Разрабатывается метод поиска начальных приближений центров кластеров для алгоритмаК-средних, который позволяет сократить количество итераций алгоритма К-средних в 2,9 раза по сравнению с существующими методами. Нулевые кластеры в ходе обработки данных отсутствуют. Вычислительная сложность процедуры кластеризации в целом у предложенного метода меньше, чем у существующих методов, так как алгоритм К-средних в процедуре выбора начальных приближений не используется. В отличие от других методов ошибка кластеризации контролируется на стадии выбора начальных приближений. Также точность кластеризации увеличивается за счет того, что начальные приближения выбираются по всем существенным признакам исходного набора данных и выполняется замена полученных значений начальных приближений ближайшими элементами исходного набора данных.

ReferencesMacQueen, J.B. Some methods for classification and analysis of multivariate observations /MacQueen, J.B. Some methods for classification and analysis of multivariate observations /J.B. MacQueen // Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability. – Berkley : University of California Press, 1967. – Vol. 1. – Р. 281–297.J.B. MacQueen // Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability. – Berkley : University of California Press, 1967. – Vol. 1. – Р. 281–297.Bradley, P.S. Refining initial points for k-means clustering / P.S. Bradley, U.M. Fayyad //Bradley, P.S. Refining initial points for k-means clustering / P.S. Bradley, U.M. Fayyad //Proceedings 15th International Conf. on Machine Learning. – San Francisco, CA, 1998. – Р. 91–99.Proceedings 15th International Conf. on Machine Learning. – San Francisco, CA, 1998. – Р. 91–99.Pena, J. An Empirical comparison of four initialization methods for the k-means algorithm /Pena, J. An Empirical comparison of four initialization methods for the k-means algorithm /J. Pena, J. Lozano, P. Larranaga // Pattern Recognition Letters. – 1999. – Vol. 20. – P. 1027–1040.J. Pena, J. Lozano, P. Larranaga // Pattern Recognition Letters. – 1999. – Vol. 20. – P. 1027–1040.Likas, A. The Global k-means Clustering algorithm / A. Likas, N. Vlassis, J.J. Verbeek //Likas, A. The Global k-means Clustering algorithm / A. Likas, N. Vlassis, J.J. Verbeek //Pattern Recognition. – 2003. – Vol. 36. – P. 451–461.Pattern Recognition. – 2003. – Vol. 36. – P. 451–461.Khan, S.S. Cluster Center Initialization for K-mean Clustering / S.S. Khan, A. Ahmad //Khan, S.S. Cluster Center Initialization for K-mean Clustering / S.S. Khan, A. Ahmad //Pattern Recognition Letters. – 2004. – Vol. 25. – P. 1293–1302.Pattern Recognition Letters. – 2004. – Vol. 25. – P. 1293–1302.Al-Daoud, M.B. A New Algorithm for Cluster Initialization / M.B. Al-Daoud // ProceedingsAl-Daoud, M.B. A New Algorithm for Cluster Initialization / M.B. Al-Daoud // Proceedingsof World Academy of science, engineering and technology. – 2005. – Vol. 4. – P. 74–76.of World Academy of science, engineering and technology. – 2005. – Vol. 4. – P. 74–76.Deelers, S. Enhancing K-Means Algorithm with Initial Cluster Centers Derived from DataDeelers, S. Enhancing K-Means Algorithm with Initial Cluster Centers Derived from DataPartitioning along the Data Axis with the Highest Variance / S. Deelers, S. Auwatanamongkol //Partitioning along the Data Axis with the Highest Variance / S. Deelers, S. Auwatanamongkol //Proceedings of World Academy of science, engineering and technology. – 2007. – Vol. 26. –Proceedings of World Academy of science, engineering and technology. – 2007. – Vol. 26. –Р. 323–328.Р. 323–328.Babu, G. A near optimal initial seed value selection in k-means algorithm using a geneticBabu, G. A near optimal initial seed value selection in k-means algorithm using a geneticalgorithm / G. Babu, M. Murty // Pattern Recognition Letters. – 1993. – Vol. 14. – P. 763–769.algorithm / G. Babu, M. Murty // Pattern Recognition Letters. – 1993. – Vol. 14. – P. 763–769.Berkeley Segmentation Dataset [Electronic resource]. – Мode of access : http://www.eecs.Berkeley Segmentation Dataset [Electronic resource]. – Мode of access : http://www.eecs.berkeley.edu/Research/Projects/CS/vision/grouping/segbench. – Date of access : 05.10.2009.berkeley.edu/Research/Projects/CS/vision/grouping/segbench. – Date of access : 05.10.2009.

The authors declare that there are no conflicts of interest present.