基于數(shù)據(jù)場的密度聚類算法研究.pdf

1、聚類分析是一種以探索數(shù)據(jù)本質，劃分數(shù)據(jù)類別為目的的無監(jiān)督學習方法，已經(jīng)成為機器學習領域和數(shù)據(jù)挖掘領域的研究熱點之一。密度聚類算法是一個重要的聚類分析工具，其采用新的度量方式，利用密度連通來確定類簇的思想，為聚類分析提供新的解決思路。近年來，研究者們提出了很多密度聚類算法，并將算法應用于大規(guī)模空間數(shù)據(jù)的知識挖掘、圖像分割、微博文本分析等實際領域中。
　　 應用于含噪聲空間數(shù)據(jù)的密度聚類算法DBSCAN是經(jīng)典密度聚類算法的代表之一。

2、DBSCAN算法在不需要知曉數(shù)據(jù)集類簇個數(shù)的情況下，不僅能夠把任意形狀的類簇劃分出來，還能夠識別出數(shù)據(jù)集中的噪聲數(shù)據(jù)。然而該算法對兩個輸入?yún)?shù)Eps和MinPts的依賴性很大，且難以處理多密度數(shù)據(jù)集。
　　 因此，本文結合數(shù)據(jù)場理論，利用數(shù)據(jù)場能夠綜合考慮數(shù)據(jù)間相互作用力、合理描述數(shù)據(jù)集的整體分布的優(yōu)勢，研究了基于數(shù)據(jù)場的密度聚類算法。主要工作內(nèi)容包括以下三個方面:
　　 1.結合數(shù)據(jù)場思想和DBSCAN算法，設計了一個

3、基于數(shù)據(jù)場的改進DBSCAN聚類算法，該算法適用于包含多種密度和多個形態(tài)類簇的數(shù)據(jù)集。算法首先利用數(shù)據(jù)場得到數(shù)據(jù)集的整體信息，通過引入平均勢差來輔助Eps和MinPts進行后期的聚類。新算法只需用戶輸入?yún)?shù)MinPts，平均勢差和Eps的取值通過考慮選定核心數(shù)據(jù)所在類簇的數(shù)據(jù)分布情況，根據(jù)核心數(shù)據(jù)的選擇實時確定，最后利用密度可達得到聚類結果。通過與K-means算法、DBSCAN算法和數(shù)據(jù)場聚類算法的對比實驗分析，表明提出的算法能夠得到

4、較好的聚類結果。
　　 2.為了探索新算法的實際應用能力，研究了如何將新算法應用于圖像分割領域，并考查了數(shù)據(jù)場勢函數(shù)的參數(shù)mi對聚類結果的影響?？紤]到像素的灰度值在圖像顯示中占有重要的地位，將參數(shù)mi的取值與其相關聯(lián)，通過對圖像進行一系列的非線性處理來影響mi的取值。另外，為了使得聚類結果的圖像顯示更加符合人類的視覺感知，文中采用兩種顯示方法。通過對幾幅示例圖像的處理分析，以及與其它圖像分割算法的比較，說明提出的算法可以應用于圖

5、像分割領域且參數(shù)mi對聚類結果有影響。
　　 3.為了給用戶提供良好的交互界面以及直觀的算法性能比較，利用C#.NET、MATLAB編程語言和SQL Server 2008數(shù)據(jù)庫，設計并實現(xiàn)了基于數(shù)據(jù)場的聚類算法實驗系統(tǒng)，包括對UCI數(shù)據(jù)集、人工數(shù)據(jù)集等不同數(shù)據(jù)集進行K-means算法、DBSCAN算法、數(shù)據(jù)場聚類算法、基于數(shù)據(jù)場的改進DBSCAN算法的聚類分析和結果顯示。
　　 本文結合數(shù)據(jù)場的理論，為密度聚類算法解決