基于密度聚類算法的改進(jìn)方法研究.pdf

1、迄今為止，人們已經(jīng)提出了許多聚類算法。這些聚類算法已經(jīng)在許多領(lǐng)域有著廣泛地應(yīng)用，包括數(shù)據(jù)挖掘，模式識(shí)別，數(shù)據(jù)分析，圖像處理，空間數(shù)據(jù)庫(kù)技術(shù)，生物學(xué)，以及市場(chǎng)研究等。這些應(yīng)用可能需要在各種約束條件下進(jìn)行聚類，要找到既滿足特定約束，又具有良好聚類特性的數(shù)據(jù)分組是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。 基于密度的聚類算法由于能夠發(fā)現(xiàn)任意形狀的聚類，識(shí)別數(shù)據(jù)集中的噪點(diǎn)，對(duì)輸入對(duì)象的順序不敏感，可伸縮性好等特點(diǎn)，在許多領(lǐng)域有著重要的應(yīng)用。然而，絕大部分基

2、于密度的聚類算法不適用于在密度不均勻的數(shù)據(jù)集中發(fā)現(xiàn)聚類，并且對(duì)輸入?yún)?shù)敏感。這些缺點(diǎn)在一定程度上限制了基于密度算法的應(yīng)用，因此，如何解決在密度不均勻數(shù)據(jù)集中發(fā)現(xiàn)聚類，以及降低參數(shù)敏感性是基于密度聚類算法的一個(gè)有待研究的開放問(wèn)題。 本文提出了一種基于密度標(biāo)記的聚類算法(Density-Tag Based Clustering，DTBC)。DTBC提出并使用密度標(biāo)記概念來(lái)標(biāo)識(shí)數(shù)據(jù)集的密度分布信息。首先，DTBC利用k近鄰的方法來(lái)構(gòu)建

3、子聚類，其次分析子聚類的密度分布情況，然后根據(jù)子聚類的密度分布情況為子聚類加上相應(yīng)的密度標(biāo)記，從而得到整個(gè)數(shù)據(jù)集的密度分布情況，最后根據(jù)密度標(biāo)記對(duì)數(shù)據(jù)集進(jìn)行聚類。由于DTBC得到數(shù)據(jù)集的密度分布情況，因而DTBC適用于處理密度不均勻的聚類問(wèn)題。同時(shí)，DTBC算法將所需人工確定的參數(shù)減少到一個(gè)，并且算法對(duì)參數(shù)變化不敏感，提高了算法的適用性。實(shí)驗(yàn)結(jié)果證明，相較于具有代表性的基于密度聚類算法DBSCAN和KNNCLUST，DTBC算法更適合于