改进型的K-mediods算法

挖掘科学数据是当今数据库系统研究和应用领域内的一个热点问题。聚类是数据挖掘中的核心问题。K-中心算法的执行结果受到初始选择的中心点的影响，而且常常只能终止于局部最优，按照基于密度聚类算法的思想，聚类分析最终的中心点都是很“密的（dense）”点，结合这两种算法，如果初始选择的中心点就是“密的（dense）”点，并且这几个初始的中心点彼此相异度比较大，那就会减少算法执行的时间，并且提高聚类结果的准确度。

Improved K-mediods algorithm

The scientific data mining becomes one of the hot topics in the research and application of the data base system.The clustering is an important part of the data mining.The result of the K-mediods is affected by the initial center points. And it always terminates in the local optimization.If the initial center points are dense and these points are dissimilar each other the time of the algorithm execution is reduced and the quality of the results is improved.