增量聚類算法的設計與實現.pdf

1、隨著網絡技術的飛速發(fā)展以及數據庫技術的進步，各個領域的信息量急劇增長，一方面，數據挖掘處理的數據規(guī)模越來越大，另一方面，對數據集實時數據挖掘的需求不斷加大。目前大多數聚類算法處理海量動態(tài)數據需要消耗大量的時間和空間資源，并且挖掘效果不理想，使其有效性和可擴展性受到了限制。在這種情況下，增量聚類算法應運而生，有效的解決了海量動態(tài)數據的聚類問題。 為了實現動態(tài)、增量聚類，首先，對基于密度和自適應密度可達聚類算法(Clustering

2、 Algorithm Based on Density and Density reachable，CADD)進行了改進：第一，為密度可達包成員設置標志值，極大的提高了聚類效率：第二，改進半徑和密度的計算方式，避免了重復的計算；第三，編程實現聚類結果的可視化，可以直觀的評價聚類效果。實驗結果表明，改進后使得算法的復雜度明顯減小。 其次，在CADD算法改進的基礎上重點研究了兩方面內容：(1)根據CADD算法的特點，提出了基于密度可

3、達的增量聚類算法--ICADD算法，由于該算法是非批量聚類方式，實驗表明雖然聚類效果比較好，但是效率較低；(2)根據層次聚類算法BIRCH中聚類特征的概念，提出了子簇特征的概念和子簇的相似準則(包括空間位置相似性和空間分布相似性)，并進一步設計、實現了基于子簇特征的增量聚類算法--ICSCF算法。此外在計算數據點密度時，還引入了抽樣技術。 由于ICSCF算法采用批量處理方式，理論分析和實驗結果證明，該算法不僅具有較高的聚類效率，