基于密度聚類算法及其模式評估方法的研究與實現(xiàn).pdf

1、數(shù)據(jù)挖掘技術是目前計算機領域的研究熱點之一，聚類分析作為數(shù)據(jù)挖掘技術的一個重要分支同樣引起了大量研究人員的重視。目前在各個領域，針對不同的應用類型，已經(jīng)開發(fā)了多種聚類算法。但是這些算法中沒有一種算法能夠適應所有的數(shù)據(jù)類型、簇和應用。所以，對于更加有效或者更適合復雜數(shù)據(jù)類型、簇或應用的新的聚類算法，總有一定的開發(fā)空間。同時，雖然目前已經(jīng)存在了一些聚類評估的技術來判斷什么是一個好的簇集，但是當使用客觀度量精確地定義簇時，如何實現(xiàn)最優(yōu)聚類往往

2、在計算方面比較困難。 論文在對聚類算法做了詳盡的分析之后，就課題兩個方面的工作——聚類算法的改進和模式評估方法的提出做了深入的研究，并且輔以大量的可視化散點圖和實例數(shù)據(jù)集實驗結果圖。由于傳統(tǒng)聚類算法在聚類初始條件的確定、輸入?yún)?shù)對領域知識的依賴程度、噪聲數(shù)據(jù)的影響處理和變密度簇聚類等問題上面，存在著一定缺陷，故本課題提出了改進算法——基于密度和密度可達聚類算法（Clustering Algorithm Based on Dens

3、ity and Density reachable,CADD），該算法引入三個概念：第一，間接密度可達概念，深化算法挖掘復雜形狀簇能力；第二，將簇密度的差異性引入鄰域半徑計算中，提出動態(tài)鄰域半徑的概念，使算法可以處理變密度簇；第三，提出了局部密度的概念，避免全局密度算法在某些參數(shù)下核心點落入數(shù)據(jù)稀疏區(qū)域的問題。實驗結果表明，算法的設計和實現(xiàn)是成功的。 其次，文章對課題提出的基于數(shù)據(jù)點K-最近鄰圖的評估個體數(shù)據(jù)實例典型性的方法，進