针对大数据集的加速K-means聚类算法，适用于多聚类中心场景 (2016年)

随着数据量、数据维度呈指数发展以及实际应用中聚类中心个数的增多，传统的K-means聚类算法已经不能满足实际应用中的时间和内存要求。针对该问题提出了一种基于动态类中心调整和Elkan三角判定思想的加速K-means聚类算法。实验结果证明，当数据规模达到10万条，聚类个数达到20个以上时，本算法相比Elkan算法具有更快的收敛速度和更低的内存开销。