Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Introduction to Clustering Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

7. Incremental Clustering Algorithms

verfasst von : Adil M. Bagirov, Napsu Karmitsa, Sona Taheri

Erschienen in: Partitional Clustering via Nonsmooth Optimization

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This chapter presents the general scheme for incremental clustering algorithms. These algorithms start with the calculation of the center of the whole data set and add one cluster center at each iteration. A procedure—that utilizes the incremental essence of clustering algorithms—for finding starting cluster centers is given. Furthermore, the multi-start incremental clustering algorithm that uses this procedure is discussed. Finally, the incremental k-medians algorithm is described, and the discussion on the decrease of its computational complexity is provided. The detailed descriptions of all algorithms as well as their flowcharts are given.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Metaheuristic Clustering Algorithms
Nächstes Kapitel Nonsmooth Optimization Based Clustering Algorithms
Literatur
4.
Al-Daoud, M.B., Roberts, S.A.: New methods for the initialisation of clusters. Pattern Recogn. Lett. 17(5), 451–455 (1996)CrossRef
14.
Arthur, D., Vassilvitskii, S.: k-means++: the advantages of careful seeding. In: Bansal, N., Pruhs, K., Stein, C. (eds.) SODA ’07 Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms, pp. 1027–1035 (2007)
16.
Babu, G.P., Murty, M.N.: A near optimal initial seed value selection in the k-meanws algorithm using a genetic algorithm. Pattern Recogn. Lett. 14(10), 763–769 (1993)CrossRef
19.
Bagirov, A.M.: Modified global k-means algorithm for sum-of-squares clustering problem. Pattern Recogn. 41, 3192–3199 (2008)CrossRef
26.
Bagirov, A.M., Yearwood, J.: A new nonsmooth optimization algorithm for minimum sum-of-squares clustering problems. Eur. J. Oper. Res. 170(2), 578–596 (2006)MathSciNetCrossRef
29.
Bagirov, A.M., Ugon, J., Webb, D.: Fast modified global k-means algorithm for sum-of-squares clustering problems. Pattern Recogn. 44, 866–876 (2011)CrossRef
32.
Bagirov, A.M., Karmitsa, N., Mäkelä, M.M.: Introduction to Nonsmooth Optimization: Theory, Practice and Software. Springer, New York (2014)CrossRef
64.
Celebi, M.E., Kingravi, H.A., Vela, P.A.: A comparative study of efficient initialization methods for the k-means clustering algorithm. Expert Syst. Appl. 40(1), 200–210 (2013)CrossRef
106.
Fisher, D.: Knowledge acquisition via incremental conceptual clustering. Mach. Learn. 2, 139–172 (1987)
130.
Guha, S., Meyerson, A., Mishra, N., Motwani, R., O’Callaghan, L.: Clustering data streams: theory and practice. IEEE Trans. Knowl. Data Eng. 15(3), 515–528 (2003)CrossRef
142.
Hansen, P., Ngai, E., Cheung, B., Mladenovic, N.: Analysis of global k-means, an incremental heuristic for minimum sum of squares clustering. J. Classif. 22, 287–310 (2005)MathSciNetCrossRef
190.
Lai, J.Z.C., Huang, T.J.: Fast global k-means clustering using cluster membership and inequality. Pattern Recogn. 43(5), 1954–1963 (2010)CrossRef
197.
Likas, A., Vlassis, M., Verbeek, J.: The global k-means clustering algorithm. Pattern Recogn. 36(2), 451–461 (2003)CrossRef
228.
Ordin, B., Bagirov, A.M.: A heuristic algorithm for solving the minimum sum-of-squares clustering problems. J. Glob. Optim. 61(2), 341–361 (2015)MathSciNetCrossRef
229.
Metadaten
Titel
Incremental Clustering Algorithms
verfasst von
Adil M. Bagirov
Napsu Karmitsa
Sona Taheri
Copyright-Jahr
2020
Buch
Partitional Clustering via Nonsmooth Optimization

Print ISBN: 978-3-030-37825-7

Electronic ISBN: 978-3-030-37826-4

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-030-37826-4_7