Ein schneller K-Means-ähnlicher Clustering-Algorithmus

Dieses Papier beschreibt einen neuen k-means-ähnlichen Clustering-Algorithmus, der hervorragende Ergebnisse bei moderaten Rechenkosten liefert. Er ist besonders geeignet, um große Datensätze in eine Vielzahl von Clustern zu partitionieren, wo der herkömmliche k-means-Algorithmus rechnerisch unhandhabbar wird. Obwohl er nicht garantiert, ein globales Optimum zu erreichen, ist seine Leistung in der Praxis tatsächlich sehr gut, wie durch theoretische Analysen und Experimente mit Farbbilddaten gezeigt wird.