基于聚类质量的两阶段集成算法

针对现有的集成聚类算法通常默认使用K-means算法作为基聚类生成器，虽能确保聚类成员的多样性，却忽视了差的基聚类可能会对最终聚类结果造成极大干扰的问题，提出一种基于聚类质量的两阶段集成算法.鉴于K-means算法运行高效但聚类质量较粗糙，提出首先在生成阶段采用K-means算法生成基聚类成员，然后通过群体一致性度量筛选出兼具高质量和强多样性的聚类成员，形成候选集成；其次，进一步在集成阶段应用信息熵知识构建基聚类加权的共协矩阵；最后应用一致函数得到最终聚类结果.采用3个指标在10个真实数据集上进行对比实验，实验结果表明，该算法在有效提升聚类结果准确度的同时，能保持较好的鲁棒性.