增量聚類算法的設(shè)計(jì)與實(shí)現(xiàn).pdf

1、隨著網(wǎng)絡(luò)技術(shù)的飛速發(fā)展以及數(shù)據(jù)庫技術(shù)的進(jìn)步，各個(gè)領(lǐng)域的信息量急劇增長，一方面，數(shù)據(jù)挖掘處理的數(shù)據(jù)規(guī)模越來越大，另一方面，對(duì)數(shù)據(jù)集實(shí)時(shí)數(shù)據(jù)挖掘的需求不斷加大。目前大多數(shù)聚類算法處理海量動(dòng)態(tài)數(shù)據(jù)需要消耗大量的時(shí)間和空間資源，并且挖掘效果不理想，使其有效性和可擴(kuò)展性受到了限制。在這種情況下，增量聚類算法應(yīng)運(yùn)而生，有效的解決了海量動(dòng)態(tài)數(shù)據(jù)的聚類問題。 為了實(shí)現(xiàn)動(dòng)態(tài)、增量聚類，首先，對(duì)基于密度和自適應(yīng)密度可達(dá)聚類算法(Clustering

2、 Algorithm Based on Density and Density reachable，CADD)進(jìn)行了改進(jìn)：第一，為密度可達(dá)包成員設(shè)置標(biāo)志值，極大的提高了聚類效率：第二，改進(jìn)半徑和密度的計(jì)算方式，避免了重復(fù)的計(jì)算；第三，編程實(shí)現(xiàn)聚類結(jié)果的可視化，可以直觀的評(píng)價(jià)聚類效果。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后使得算法的復(fù)雜度明顯減小。 其次，在CADD算法改進(jìn)的基礎(chǔ)上重點(diǎn)研究了兩方面內(nèi)容：(1)根據(jù)CADD算法的特點(diǎn)，提出了基于密度可

3、達(dá)的增量聚類算法--ICADD算法，由于該算法是非批量聚類方式，實(shí)驗(yàn)表明雖然聚類效果比較好，但是效率較低；(2)根據(jù)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(zhǔn)則(包括空間位置相似性和空間分布相似性)，并進(jìn)一步設(shè)計(jì)、實(shí)現(xiàn)了基于子簇特征的增量聚類算法--ICSCF算法。此外在計(jì)算數(shù)據(jù)點(diǎn)密度時(shí)，還引入了抽樣技術(shù)。 由于ICSCF算法采用批量處理方式，理論分析和實(shí)驗(yàn)結(jié)果證明，該算法不僅具有較高的聚類效率，