Kann eine neue Clustering-Technik die Genauigkeit verbessern? Diese Forschung stellt SAKM-Clustering vor, eine effiziente partitionierende Clustering-Technik, die Simulated Annealing für minimale Energiekonfiguration mit der Suchfähigkeit des K-Means-Algorithmus kombiniert. Die Methode sucht nach geeigneten Clustern im mehrdimensionalen Merkmalsraum, um eine Ähnlichkeitsmetrik zu optimieren. Datenpunkte werden probabilistisch neu verteilt, wodurch Punkte, die weiter vom Clusterzentrum entfernt sind, eine höhere Wahrscheinlichkeit haben, zu migrieren. Der Algorithmus wurde für künstliche und reale Datensätze demonstriert und mit dem K-Means-Algorithmus verglichen. Der Algorithmus nutzt die Leistung von Simulated Annealing für die Energiekonfiguration und die Suchfähigkeit von K-Means. Die Methode ist besonders nützlich in großen Datensätzen, die mehrdimensional und komplex sind.
Diese in der International Journal of Pattern Recognition and Artificial Intelligence veröffentlichte Arbeit passt genau in den Rahmen der Zeitschrift, indem sie einen neuartigen Clustering-Algorithmus vorstellt und seine Leistung auf verschiedenen Datensätzen demonstriert. Die Integration von Simulated Annealing steht im Einklang mit dem Interesse der Zeitschrift an fortgeschrittenen Computertechniken.