空間聚類算法的研究.pdf

1、信息技術(shù)的不斷發(fā)展導致持續(xù)的數(shù)據(jù)收集和快速的數(shù)據(jù)積累.空間數(shù)據(jù)挖掘是在空間數(shù)據(jù)庫中提取隱藏的未知模式,而空間聚類是空間數(shù)據(jù)挖掘中一個活躍的研究領(lǐng)域. 本文第一部分提出了一種新穎的啟發(fā)式選擇邊界對象的快速空間聚類算法DBSB,通過一個啟發(fā)式函數(shù)近似選擇相對于某個已知核心對象邊界區(qū)域中的核心對象和邊界對象,通過核心對象的序列來快速地擴展它們所在的簇,直至找到一些較小的簇.在此基礎(chǔ)上再通過邊界對象快速地合并某些簇,即算法通過兩步聚類,

2、達到最終的聚類.理論分析和實驗結(jié)果表明該算法有效可行. 隨著分布式計算環(huán)境的廣泛應(yīng)用,由于數(shù)據(jù)和計算能力分布在不同的節(jié)點,本文第二部分設(shè)計了一種基于反向k近鄰的分布式聚類算法DCRkNN,該算法在分布式數(shù)據(jù)挖掘的框架下利用反向k近鄰的性質(zhì),分三個不同的階段進行分布式聚類.首先是局部模型的確立,通過局部模型來近似壓縮局部站點的數(shù)據(jù)集;其次在中央站點整合各分布的局部模型建立全局模型,最后根據(jù)全局模型更新所有局部模型.同時DCRkNN