聚類分析是數(shù)據(jù)挖掘與分析最重要的方法之一。它把相似的數(shù)據(jù)對象歸類到一個簇，把不同的數(shù)據(jù)對象盡可能分到不同的簇。其中k- means聚類算法，由于其簡單性和高效性，被廣泛運用于解決各種現(xiàn)實問題，例如文本演化分析、圖像聚類、社區(qū)發(fā)現(xiàn)等。然而在聚類過程中，大部分現(xiàn)有的類k- means算法主要考慮簇內(nèi)距離，而忽略了簇間距離的作用。本文結(jié)合特征加權(quán)方法，提出了一種新的集成簇內(nèi)和簇間距離的加權(quán) k-means方法（ a weightingk-means clustering approach by integrating Intra-cluster and Inter-cluster distances， KICIC）來解決高維數(shù)據(jù)聚類問題。雖然現(xiàn)有少數(shù)類k- means算法通過最大化簇中心與全局中心距離來融入簇間信息，但不同于這類方法，K通過在子空間內(nèi)最大化簇中心與其他簇數(shù)據(jù)對象的距離來融合簇內(nèi)和簇間距離進行聚類?；诖怂悸?，本文首先為 KICIC算法設(shè)計了一個目標(biāo)函數(shù)，然后通過優(yōu)化求解目標(biāo)函數(shù)得到算法參數(shù)的更新迭代公式，并在此基礎(chǔ)上設(shè)計了KIIC算法。最后，在6個真實數(shù)據(jù)集上的實驗結(jié)果表明，對比現(xiàn)有類 k-means算法， KICIC算法在大部分情況下都有獲得更好的聚類結(jié)果