聚類分析中基于密度算法的研究與改進(jìn).pdf

1、聚類分析根據(jù)數(shù)據(jù)對象的屬性及相關(guān)信息將其分組，使得組內(nèi)的對象相互之間相似，而不同組中的對象不相似，它是數(shù)據(jù)挖掘領(lǐng)域一個(gè)非常重要的課題，同時(shí)聚類分析在統(tǒng)計(jì)學(xué)、生物學(xué)、信息檢索、模式識別、機(jī)器學(xué)習(xí)等很多領(lǐng)域扮演著重要角色。
　　到目前為止已提出了很多種聚類算法，基于密度的算法是其中一類非常有效的方法，這類算法可以檢測數(shù)據(jù)空間中任意形狀的簇。然而目前已有的一些基于密度的算法，如DBSCAN，DENCLUE，因?yàn)樗惴ǖ娜謪?shù)問題而不適合

2、處理不同密度的簇;SNN算法則由于需要從k最近鄰相似矩陣中重構(gòu)出共享最近鄰圖而在效率上有所欠缺。為了能夠更有效率更好地檢測不同密度的簇，本文提出了一個(gè)密度流模型并基于此的聚類算法DEFAT。密度流模型通過在數(shù)據(jù)對象間傳遞密度流，共享其局部密度信息，從而從全局的角度考慮對象間的相似性。基于密度流模型，DEFAT能夠很好的區(qū)分不同密度區(qū)域，從而能夠檢測出不同密度和大小，形狀各異的簇，同時(shí)還能夠處理簇間有重疊的情況。在人工數(shù)據(jù)集和真實(shí)數(shù)據(jù)集上