基于網(wǎng)格的帶有參數(shù)參考值的聚類算法.pdf

1、聚類分析是數(shù)據(jù)挖掘的一個重要領(lǐng)域，具有廣泛的應(yīng)用領(lǐng)域。同時，聚類算法研究也是數(shù)據(jù)挖掘領(lǐng)域中一個比較困難的課題。目前很多流行的聚類算法，比如k-means、k-medoids、BIRCH、CURE、DBSCAN、STING等，雖然得到了廣泛的應(yīng)用，但是聚類算法也面臨著很多的新問題。如聚類參數(shù)設(shè)置的盲目性、海量數(shù)據(jù)的處理、高維數(shù)據(jù)的聚類等。在聚類的過程中，大多數(shù)聚類算法需要用戶自己輸入一些參數(shù)值，參數(shù)值的輸入不當(dāng)將對聚類結(jié)果造成重大影響。對

2、于普通用戶來說，如何選取參數(shù)的參數(shù)值是比較麻煩的事情。所以常常導(dǎo)致聚類參數(shù)設(shè)置的盲目性。 對于基于網(wǎng)格的聚類算法，密度閾值是一個非常關(guān)鍵的參數(shù)。為了減輕密度閾值設(shè)置的盲目性，本文提出了一種新的算法即一種基于網(wǎng)格的帶有參數(shù)參考值的聚類算法(GRPC算法)。該算法在網(wǎng)格算法的基礎(chǔ)之上結(jié)合了密度思想和數(shù)據(jù)分布演化思想。根據(jù)數(shù)據(jù)分布演化思想提出了密度閾值公式。通過密度閾值公式的計算，可以得到多個不同的密度閾值。利用這些密度閾值，該算法不

3、但能滿足一般的聚類要求，而且還能將高密度的聚類從低密度的聚類中分離出來。算法分析和仿真結(jié)果表明，其時間復(fù)雜度少于密度聚類算法DBSCAN，聚類效果較好，能有效處理任意形狀和大小的聚類，很好地識別出孤立點或噪聲，可以聚類不同程度的聚類，并且有較好的精度。 然后，本文對GRPC算法在高維性和可伸縮性兩方面進行了擴展。采用二維子空間聚類方法來聚類高維數(shù)據(jù)，將高維數(shù)據(jù)空間的聚類轉(zhuǎn)化到二維子空間來進行。利用簡單隨機抽樣技術(shù)來抽樣大規(guī)模數(shù)據(jù)