基于最優(yōu)劃分的多密度梯度網(wǎng)格聚類算法.pdf

1、數(shù)據(jù)挖掘是從數(shù)量龐大的、隨機(jī)出現(xiàn)的、客觀存在的、不完全的并充滿噪聲的數(shù)據(jù)中提取和發(fā)現(xiàn)有價(jià)值的信息，從而為商務(wù)分析與決策、自然科學(xué)理論、人文地理等提供有效的技術(shù)支持和可靠的數(shù)據(jù)依據(jù)。其中，聚類分析是數(shù)據(jù)挖掘中一項(xiàng)十分重要而有趣的研究課題，并且因?yàn)槠鋸?qiáng)大的應(yīng)用和研究?jī)r(jià)值而受到越來(lái)越廣泛的關(guān)注。
　　 為解決網(wǎng)格聚類算法中對(duì)參數(shù)過(guò)于敏感、無(wú)法自動(dòng)識(shí)別不同密度梯度類以及不同梯度類間劃分不夠精確等問(wèn)題，提出了基于最優(yōu)劃分的多密度梯度網(wǎng)格聚

2、類算法(OPMDG)。該算法只需用戶輸入一個(gè)大致的密度閾值范圍，網(wǎng)格邊長(zhǎng)自動(dòng)計(jì)算并可自動(dòng)調(diào)節(jié)適應(yīng)，減少了算法對(duì)參數(shù)的敏感性；提出了二重劃分技術(shù)，可挖掘不同密度梯度的類；對(duì)于處于不同類上的交界點(diǎn)，引入了電荷間吸引力的概念，能有效解決類間聚類精度不高等問(wèn)題。
　　 實(shí)驗(yàn)結(jié)果表明，OPMDG算法能識(shí)別各種不同形狀、大小的簇，挖掘具有不同密度梯度類，并能有效地劃分邊界和去除離群點(diǎn)與噪聲點(diǎn)。在通過(guò)和GCOD算法的對(duì)比中，可以顯著發(fā)現(xiàn)OPM