针对传统的K-means算法对初始聚类中心取值敏感和易陷入局部最优解等缺点,提出一种带时间因子的改进粒子群优化(Particle Swarm Optimization,PSO)聚类算法。首先在PSO算法中引入反映时间效应的动态调整时间因子,以避免粒子在最优解附近震荡,为保证粒子在规定范围内运动,采用边界缓冲墙对越界粒子进行处理;其次针对粒子群算法存在的全局搜索性能问题,通过改进的混沌技术对粒子群进行扰动,以混沌搜索替代随机搜索,确保种群的多样性,进而使粒子群向更优的方向移动;最后将改进后的粒子群

针对初始聚类中心对传统K-means算法的聚类结果有较大影响的问题，提出一种依据样本点类内距离动态调整中心点类间距离的初始聚类中心选取方法，由此得到的初始聚类中心点尽可能分散且具代表性，能有效避免K-means算法陷入局部最优。通过UCI数据集上的数据对改进算法进行实验，结果表明改进的算法提高了聚类的准确性。

一种改进的K-means 动态聚类算法

针对现有无监督语音样例检测精度不高的现状，提出一种基于后验概率特征和主成分分析的方法。该方法首先利用无标注语料训练GMM，得到训练数据频谱参数的高斯混元后验概率特征向量序列;采用层次聚类算法检测其边界信息得到声学分段，利用K-means算法对所有声学分段聚类并添加标签，通过声学分段和标签训练基于后验概率的声学分段模型（ASM）； ASM将查询项与检索文档的高斯混元后验概率转换为新的后验概率，利用主成分方法优化处理，保持概率向量维数不变，消除噪声信息，提高后验概率特征向量鲁棒性与区分性;最后通过分