1、An improved k-means algorithm based on a new cluster center selection method
（基于新的聚类中心选择方法的改进k-means算法）。
2、DB-Kmeans:An Intrusion Detection Algorithm Based on DBSCAN and K-means
（一种基于DBSCAN和K-means的入侵检测算法）。
3、Parallelization of Kmeans++ using CUDA
（使用CUDA并行化Kmeans++）。
4、MSD-Kmeans: A Novel Algorithm for Efficient Detection of Global and Local Outliers
（MSD-Kmeans一种新的高效算法检测全局和局部异常点）。
5、基于核函数的改进k-means文本聚类。
二、有关特征提取的论文1、MEDT: Using Multimodal Encoding-Decoding Network as in Transformer for Multimodal Sentiment Analysis
（MEDT：在Transformer中使用多模态编解码进行多模态情绪分析）
2、Attention Is All You Need
（注意力是你所需要的）
传统的K-means算法对初始聚类点的选择和距离测度的计算非常敏感，很可能导致仅部分最优解的收敛。针对初始聚类中心优化过程中，由于第一个初始聚类中心落在边界的非稠密区域，导致聚类效果不平衡的问题，提出了一种改进的k-means算法。提出了一种改进的初始聚类中心k-means算法，即k-means聚类的最优匹配算法，并对该算法进行了相关实验分析。改进算法首先选取传统K-means聚类算法的初始点，并对聚类结果进行分析。然后，对初始聚类中心的选择和距离的确定进行了测试，并通过引入轮廓系数来评价聚类效果。在人工数据集和UCI数据集上的实验表明，该算法可以获得更好的聚类结果。实验结果表明，改进后的算法比传统的K-means算法和其他改进算法具有更高的聚类质量。
（2）主要创新点： 提出了一种改进的初始聚类中心k-means算法，即k-means聚类的最优匹配算法。
改进算法首先选取传统K-means聚类算法的初始点，并对聚类结果进行分析。然后，对初始聚类中心的选择和距离的确定进行了测试，并通过引入轮廓系数来评价聚类效果。
随着广泛使用Internet和计算机网络快速增长，网络安全中的入侵检测问题已成为关注的导入问题。在本文中，已经引入了一种新的入侵检测算法db-kmeans，该算法将K-means与DBSCAN结合在一起。 DB-KMeans使用K-means中初始群集中心的新选择方法，并将DBSCAN中的邻域半径设置为动态。与K-means算法相比，它克服了对初始中心的敏感性短缺，并减少了噪声点的影响。与DBSCAN算法相比，它减少了固定邻域半径的影响。 NSL-KDD数据集的实验表明，所提出的方法比基于MINMAX K-均值算法的方法更有效。同样，该方法具有较高的检测准确性和较低的错误警报率。
（2）主要创新点： DB-kmeans算法将K-means与DBSCAN结合在一起。DB-KMeans使用K-means中初始群集中心的新选择方法，并将DBSCAN中的邻域半径设置为动态。
与K-means算法相比，它克服了对初始中心的敏感性短缺，并减少了噪声点的影响。
与DBSCAN算法相比，它减少了固定邻域半径的影响。
K-means++是为了改进K-means算法中寻找初始种子的过程而发明的一种算法。在该算法中，初始种子是通过与距离最近中心距离成正比的概率连续选择的。该算法最关键的问题是，在串行模式下运行时，会降低聚类速度。在本文中，我们的目标是并行化k-means++算法中最耗时的步骤。我们的目的是减少运行时间，同时保持串行算法的质量。
（2）主要创新点： K-means++改进了K-means算法中寻找初始种子的过程。
目标是并行化k-means++算法中最耗时的步骤，减少运行时间，同时保持串行算法的质量。
异常检测是一种数据挖掘技术，旨在检测数据集中的异常或意外记录。现有的离群点检测算法有不同的优缺点，对极值等噪声数据具有不同的敏感性。在本文中，我们提出了一种新的基于聚类的异常检测算法，命名为 MSD-Kmeans，它结合了均值和标准差(MSD)的统计方法和机器学习聚类算法 k-means，以更准确地检测异常值，更好地控制极值。这种 MSD-Kmeans组合方法分为两个阶段: (1)应用 MSD 算法消除尽可能多的噪声数据以减少对聚类的干扰; (2)应用 K-means算法获得局部最优聚类。我们评估我们的算法，并证明其有效性的背景下，发现可能的出租车收费过高，因为贪婪的不诚实的司机可能试图收取高票价绕道。我们比较了 MSD-Kmeans算法和其他异常检测算法的性能指标，（如MSD、K-means、Z-score、MIQR和LOF），证明了所提出的 MSD-Kmeans算法在精度、准确度和 F 测度方面达到了最高的度量。我们得出的结论是，在物联网设备上，MSD-Kmeans可用于对不同质量的数据进行有效和高效的异常检测。
（2）主要创新点： MSD-Kmeans结合了均值和标准差(MSD)的统计方法和机器学习聚类算法 k-means，以更准确地检测异常值，更好地控制极值。
MSD-Kmeans组合方法分为两个阶段: ①应用 MSD 算法消除尽可能多的噪声数据以减少对聚类的干扰; ②应用 K-means算法获得局部最优聚类。
摘要通过对传统k-means算法优缺点的研究分析,提出一种改进的k-means聚类算法。随机初始化k/2个簇心,划分最大的簇并删除空簇,在更新簇心的同时判断簇心位置的合理性;及时对簇心做出修改,使得最后聚类出的k个簇中不会出现空簇;使用高斯核函数作为测量向量之间距离的方法,提高聚类的准确性。基于此改进的k-means 算法,使用在不同网站上采集的文章作为数据源,并利用TF-IDF以及 Word2Vec技术对文本进行向量化处理,进而完成对文本的聚类任务。与传统的 k-means 文本聚类相比,不仅提高了聚类的准确性,而且改善了传统k-means算法结果可能会出现空簇的缺陷。
（2）主要创新点： 随机初始化k/2个簇心,划分最大的簇并删除空簇；
在更新簇心的同时判断簇心位置的合理性;
及时对簇心做出修改,使得最后聚类出的k个簇中不会出现空簇;
使用高斯核函数作为测量向量之间距离的方法,提高聚类的准确性。
