《表1 不同SSE工况下评分》

  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LOF的K-means聚类方法及其在微震监测中的应用》

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

注:（1）～（3）分别对应SSE值从小到大排列的3种聚类方法。

为测试本文方法的优越性，选取传统K-means聚类和文献[14]K-means聚类算法作为对比。不同聚类方法的聚类效果可能受数据集的大小影响，本文选取数据集包含100，250，500，750和1 000个对象进行讨论。同一数据集分别运用上述3种聚类算法进行聚类计算，使用的聚类参数为x，y轴坐标，第k领域设为20。首先计算上述3种聚类方法在同一数据集、同一个分组数下的SSE值，SSE值由小至大分别记为（1），（2） 和（3），根据表1进行比较得到评分，见表1。例如:LOF-K-means聚类、传统K-means聚类和文献[14]K-means聚类算法的SSE值分别为100，200和150时，那么该SSE值由小至大排列后，对应表1中的评价工况4，且LOF-K-means聚类、传统K-means聚类和文献[14]K-means聚类算法评分分别为2，0和1。再将每1种聚类算法在2～10个聚类分组下得到的评分相加，得到总评分作为该聚类算法的综合SSE评价指标，其值越大则说明该聚类算法越好。为减少个别聚类结果对不同聚类方法的影响，将每种数量规模的数据集分别随机生成100次进行聚类计算，得到这3种聚类方法的综合SSE评分。图2为数据的聚类过程。可知初始聚类中心的选取与数据集的分布有关，且与数据集的局部密度紧密联系。