《表2 各种聚类方法SSE值对比Tab.2 SSEs of various clustering algorithms》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于改进集成聚类和BP神经网络的电压偏差预测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

各种聚类方法SSE值对比如表2所示。传统K-means聚类简单且效率高，以类簇内对象均值为聚类中心，目标为得到紧凑独立的簇，但是需事先给定聚类数K值，且受初始聚类中心的影响大，导致K-means聚类算法不稳定。AP聚类无需随机选取初值，重复执行AP算法得到的结果相同，稳定性好，但其聚类中心为原始数据集中的点，此聚类中心不一定为最优聚类中心。本文提出的改进集成聚类算法将AP聚类和K-means聚类相结合，实现两类算法的优势互补，由表2可知，改进集成聚类算法的误差平方和最小，类簇间的分散性高，类簇内的紧凑性好。