1、K-MEANS聚類算法是一種廣為應(yīng)用的簡(jiǎn)捷的迭代算法，其應(yīng)用價(jià)值和重要性受到很多領(lǐng)域的認(rèn)可。傳統(tǒng)的K-MEANS算法以數(shù)據(jù)點(diǎn)之間的歐氏距離為測(cè)度，誤差平方和為目標(biāo)函數(shù)。K-MEANS算法對(duì)異常值的存在很敏感，因?yàn)椤熬怠北旧砭筒皇且粋€(gè)健壯的統(tǒng)計(jì)量。而異常值是這樣一種極端的觀測(cè)結(jié)果，它們?cè)跀?shù)值上遠(yuǎn)離樣本數(shù)據(jù)集的均值，其存在使得所有基于均值和方差的統(tǒng)計(jì)測(cè)試一定程度地失真。然而，大樣本中總會(huì)有一定量的異常值。因此K-MEANS聚類算法的效果不

2、可避免地受到異常值的影響。
　　 本文就K-MEANS聚類算法的原理進(jìn)行了研究，并提出了一個(gè)基于異常值刪除的K-MEANS優(yōu)化算法。該算法主要的特點(diǎn)就是利用了K-MEANS聚類算法原理上的缺陷，即會(huì)陷入局部極小的特點(diǎn)，在基于聚類的異常值檢測(cè)的思想下，以聚類的方式尋找異常值并將其刪除。算法引入了熵和平衡的概念，作為算法終止的一種條件。為了防止K-MEANS算法陷入某個(gè)局部極小而應(yīng)用了一種類似刺激的機(jī)制，即利用類似欠阻尼曲線的變化形