基于DBSCAN的自適應聚類算法研究.pdf

1、隨著計算機和通信信息技術的爆炸式發(fā)展，在很多領域內積累了海量的數(shù)據(jù)，這些龐雜的數(shù)據(jù)隱藏著很多有價值的信息，人們希望能夠從中獲得有用信息，來高效地推進社會經濟的發(fā)展。這種需求導致了數(shù)據(jù)挖掘（Data Mining）技術的誕生，它是計算機與信息技術領域最熱門的應用價值極高的研究方向之一。聚類（Clustering）技術是數(shù)據(jù)挖掘應用中的不可或缺的一部分，作為一個非常熱門的研究內容，其主要目標是利用并分析數(shù)據(jù)間的相關特性來識別聚類對象的劃分類

2、別。
　　本文主要研究了DBSCAN算法中聚類參數(shù)的自適應確定的問題，以及基于網(wǎng)格密度劃分的增量聚類方法，具體的研究內容如下：
　　1.根據(jù)核密度估計的基本理論，分析了有關DBSCAN聚類方法的優(yōu)勢和缺陷，采用非參數(shù)核密度估計理論來分析數(shù)據(jù)樣本的分布特征的思想，研究和改進了一種自動確定Eps和minPts參數(shù)的方法，該方法能夠選取恰當?shù)腅ps和minPts參數(shù)，處理過程中不再需要指定聚類參數(shù)，整個過程自動完成。實驗和仿真結果

3、表明該方法不但提高了聚類效率，還能自適應地確定兩個聚類參數(shù)。
　　2.根據(jù)增量算法的基本思路，利用了一種網(wǎng)格密度的劃分方法，并借助前一章參數(shù)自適應的方法，研究了一種基于DBSCAN的動態(tài)增量聚類方法。該方法不必像傳統(tǒng)的增量算法那樣，更新一次樣本數(shù)據(jù)集就聚類一次，只要對目標樣本掃描一次，獲取劃分的每個網(wǎng)格單元的內容和信息，最后分別對這些劃分的有限個網(wǎng)格單元進行處理，并將聚類信息映射到最終的結果中。實驗和仿真結果說明該算法能夠有效地處