大型数据集高效处理策略是煤矿安全监测智能化、采掘智能化等煤矿智能化建设的关键支撑。针对K-means算法面对大型数据集时聚类高效性及准确性不足的问题，提出了一种基于局部敏感哈希（LSH）的高效K-means聚类算法。基于LSH对抽样过程进行优化，提出了数据组构建算法LSH-G，将大型数据集合理划分为子数据组，并对数据集中的噪声点进行有效删除；基于LSH-G算法优化密度偏差抽样（DBS）算法中的子数据组划分过程，提出了数据组抽样算法LSH-GD，使样本集能更真实地反映原始数据集的分布规律；在此基础上，通过K-means算法对生成的样本集进行聚类，实现较低时间复杂度情况下从大型数据集中高效挖掘有效数据。实验结果表明：由10个AND操作与8个OR操作组成的级联组合为最优级联组合，得到的类中心误差平方和（SSEC）最小；在人工数据集上，与基于多层随机抽样（M-SRS）的K-means算法、基于DBS的K-means算法及基于网格密度偏差抽样（G-DBS）的K-means算法相比，基于LSH-GD的K-means算法在聚类准确性方面的平均提升幅度分别为56.63%、54.59%及25.34%，在聚类高效性方面的平均提升幅度分别为27.26%、16.81%及7.07%；在UCI标准数据集上，基于LSH-GD的K-means聚类算法获得的SSEC与CPU消耗时间（CPU-C）均为最优。

国家重点研发计划资助项目（2021YFB3201905）；

0 引言
1 LSH基本理论
2 基于LSH-GD的K-means算法
2.1 基于LSH的数据组构建算法LSH-G
2.2 基于LSH-G的数据组抽样算法LSH-GD
3 实验分析
3.1 实验准备
3.2 最优级联组合实验
3.3 基于人工数据集的算法准确性实验
3.4 基于人工数据集的算法高效性实验
3.5 基于标准数据集的算法性能验证实验
3.6 实验结果分析
4 结论

魏峰,马龙.面向大型数据集的局部敏感哈希K-means算法[J].工矿自动化,2023,49(03):53-62.DOI:10.13272/j.issn.1671-251x.2022080018.