1. 毕业设计（论文）主要内容：

目标简介：聚类算法是一种典型的无监督学习算法，主要用于将相似的样本自动归到一个类别中。在聚类算法中，k-means算法是最简单也是最经典的一种聚类算法，它的主要思想是随机选择k个对象，每个对象代表一个聚类的质心。对于其余的每一个对象，根据该对象与各聚类质心之间的距离，把它分配到与之最相似的聚类中。然后，计算每个聚类的新质心。重复上述过程，直到准则函数收敛。传统的k-means算法除了要事先确定簇数k和对初始聚类中心敏感外，经常以局部最优结束，同时对“噪声”和孤立点敏感，并且该方法不适于发现非凸面形状的簇或大小差别很大的簇，因此，本课题拟设计一种改进的k-means聚类算法，力求解决以上问题。

设计内容：

2. 毕业设计（论文）主要任务及要求

1、 查阅15篇相关文献（含2篇外文），并每篇书写200—300字文献摘要（装订成册，带封面）；

2、 认真填写周记，完成800字开题报告；

3、 完成5000中文字以上的相关英文专业文献翻译，并装订成册（中英文一起，带封面）；

3. 毕业设计（论文）完成任务的计划与安排

1、 2018/1/14—2018/3/5：确定选题，查阅文献，外文翻译和撰写开题报告；

2、 2018/3/6—2018/4/30：系统架构、程序设计与开发、系统测试与完善；

3、 2018/5/1—2018/5/25：撰写及修改毕业论文；

4. 主要参考文献

[1] hartigan j a, wong m a. algorithm as 136: a k-means clustering algorithm[j]. journal of the royal statistical society. series c (applied statistics), 1979, 28(1): 100-108.

[2] arthur d, vassilvitskii s. k-means : the advantages of careful seeding[c]//proceedings of the eighteenth annual acm-siam symposium on discrete algorithms. society for industrial and applied mathematics, 2007: 1027-1035.

[3] banerjee a, ghosh j. frequency-sensitive competitive learning for scalable balanced clustering on high-dimensional hyperspheres[j]. ieee transactions on neural networks, 2004, 15(3): 702-719.