劃分聚類與基于密度聚類算法的改進方法研究.pdf

1、數(shù)據(jù)挖掘就是從大量的、不完全的、有噪音的、模糊的、隨機的數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。聚類分析是數(shù)據(jù)挖掘領域中重要的研究課題，用于發(fā)現(xiàn)大規(guī)模數(shù)據(jù)集中未知的對象類。因此，聚類算法的研究具有重要的意義和廣闊的前景。本文針對傳統(tǒng)K-means聚類算法和基于密度聚類算法進行了重點研究并對所存在的問題提出了改進算法。 K-means聚類算法在數(shù)據(jù)挖掘領域具有非常重要的應用價值。但隨著應用領域

2、的拓展和新的問題需求，K-means本身存在的局限越來越突出。首先，隨機選取的初始值可能會導致不同的聚類結(jié)果，甚至會造成無解。其次，K-means算法采用了典型的爬山搜索方法，易于陷入局部最優(yōu)。本文針對K-means聚類算法存在的缺陷提出了KSNN聚類算法。KSNN在數(shù)據(jù)集中搜索中心點，依據(jù)中心點查找數(shù)據(jù)集個數(shù)，為K-means聚類提供參數(shù)。有效克服了K-means需要人工設定聚類個數(shù)的問題，同時具有較好的全局收斂性。其次，為了解決數(shù)據(jù)

3、集密度分布不均勻等實際應用問題，本文改進了基于密度的聚類算法，提出了CABONW聚類算法。CABONW首先利用最近鄰居節(jié)點的方法構(gòu)建出數(shù)據(jù)集中節(jié)點間的自然鏈接關系，然后建立節(jié)點間優(yōu)先級，并將其用于對數(shù)據(jù)節(jié)點的有效關系進行排序，生成順序表。最后，通過對順序表的深度優(yōu)先搜索生成最終的簇。通過與DBSCAN、OPTICS等基于密度聚類算法的對比實驗證明，CABONW很好地解決了密度分布不均勻的數(shù)據(jù)集的處理，執(zhí)行效率優(yōu)于DBSCAN和OPTIC