改進的密度聚類算法研究.pdf

1、隨著全球信息量的爆炸式的增長，數(shù)據(jù)挖掘技術(shù)已成為新世紀計算機科學技術(shù)的研究熱點。聚類分析是數(shù)據(jù)挖掘的核心任務(wù)，而聚類算法的效率和求解質(zhì)量在數(shù)據(jù)挖掘中起著至關(guān)重要的作用，也是計算機科學領(lǐng)域的難題之一。迄今為止研究者們提出了多種聚類算法，例如劃分方法、層次方法、基于網(wǎng)格的方法、基于密度的方法等。 其中基于密度的聚類算法是聚類分析的重要分支，其主要優(yōu)點是能夠發(fā)現(xiàn)任意形狀的聚類，且對噪聲數(shù)據(jù)不敏感。代表性算法包括DBSCAN、OPTIC

2、S、DENCLUE、KNNCLUST等?，F(xiàn)實世界中的事物大多都具有密度不均勻這一特征，而上述的密度聚類算法由于缺乏處理不同密度聚類的能力，在分析含有不同密度聚類的數(shù)據(jù)集時效果往往不能令人滿意，難以解決實際問題。因此，密度不均勻數(shù)據(jù)集聚類方法的研究已成為基于密度聚類算法的焦點研究課題。 為解決上述難題，本文通過對幾種基于密度的聚類算法和分類算法的分析研究，提出了一種結(jié)合了分類技術(shù)的基于彌散度的聚類算法CUDL(Clustering

3、 Using Dispersivedegree and cLassification)。CUDL算法主要分為發(fā)現(xiàn)聚類核心點和依據(jù)聚類結(jié)果分類兩個步驟。CUDL算法采用“彌散度”這一新的相對密度度量標準，并使用類似OPTICS算法的數(shù)據(jù)掃描方式，依據(jù)彌散度動態(tài)的產(chǎn)生彌散度分布圖來直觀的刻畫數(shù)據(jù)分布，據(jù)此確定參數(shù)識別聚類的核心點和邊緣點。在分類步驟，CUDL使用改進的KNN核密度估計方法將邊緣點分類，最終形成完整的聚類。 該算法根據(jù)