1、聚類是將一組對(duì)象根據(jù)一定的原則分成若干類的過程。在結(jié)果中，相同類中對(duì)象的相似度較高，不同類間對(duì)象的相似度較低。聚類分析是機(jī)器學(xué)習(xí)的一個(gè)重要組成部分，已經(jīng)被廣泛地應(yīng)用在市場(chǎng)研究、語(yǔ)音識(shí)別、故障檢驗(yàn)、圖像處理和數(shù)據(jù)壓縮等領(lǐng)域中。K-means是一個(gè)常用的聚類算法，它是一種基于中心的聚類方法。該算法實(shí)現(xiàn)簡(jiǎn)單、運(yùn)行效率高、收斂速度快，適合處理大型的數(shù)據(jù)集合。但是它對(duì)初始值敏感，容易陷入局部最優(yōu)解，從而產(chǎn)生早熟現(xiàn)象。
　　本文在深入分析K-

2、means及其改進(jìn)算法的基礎(chǔ)上，引入了全局優(yōu)化領(lǐng)域中的類電磁機(jī)制（EM）啟發(fā)方法，然后結(jié)合K-means的性能函數(shù)，設(shè)計(jì)了一種新的聚類算法——類電磁機(jī)制聚類算法（EMC）。為使初始中心均勻分布，提出了一種基于最大距離積原則的初始中心選取方法；為使EM算法符合聚類問題的要求，調(diào)整了電荷量和合力的計(jì)算公式；為提高搜索性能和收斂速度，引入了自適應(yīng)的移動(dòng)步長(zhǎng)算子，并結(jié)合這一算子改進(jìn)了局部搜索和粒子移動(dòng)過程。
　　實(shí)驗(yàn)結(jié)果表明，與K-mea