空間數(shù)據(jù)聚類的研究.pdf

1、面對大規(guī)模的高維數(shù)據(jù)和各種約束條件，如何建立有效、可擴(kuò)展的聚類算法是數(shù)據(jù)挖掘領(lǐng)域的一個(gè)研究熱點(diǎn)。本文對聚類算法進(jìn)行了深入研究，主要包括以下幾個(gè)方面的內(nèi)容： ⑴通過對密度類算法和網(wǎng)格類算法的分析，提出一種基于網(wǎng)格和密度綜合的算法CluGD，算法使用網(wǎng)格方法得到反映數(shù)據(jù)空間的代表點(diǎn)，代表點(diǎn)不是實(shí)際的數(shù)據(jù)點(diǎn)，而是表示數(shù)據(jù)點(diǎn)特征的虛擬點(diǎn)，然后通過密度類算法對代表點(diǎn)進(jìn)行聚類，此算法采用的參數(shù)和DBSCAN算法相同，由于采用了網(wǎng)格方法，算法

2、的效率得到很大提高；又使用隨機(jī)樣例的方法針對參考點(diǎn)提出了算法GDRS；由于大規(guī)模數(shù)據(jù)中的密度變化較大，單一密度不能準(zhǔn)確的刻畫數(shù)據(jù)空間的特征，由CluGD擴(kuò)展提出了算法VCluGD，此算法使用預(yù)處理過程給出數(shù)據(jù)空間內(nèi)給定鄰域半徑后點(diǎn)密度和點(diǎn)數(shù)量的關(guān)系圖，方便用戶設(shè)置多級參數(shù)，從而進(jìn)行多級聚類，獲得較好的聚類效果。三種算法都具有對于數(shù)據(jù)集大小的線性時(shí)間復(fù)雜度，適合大規(guī)模數(shù)據(jù)的聚類問題。 ⑵通過研究和分析處理非空間約束聚類算法的一些優(yōu)

3、點(diǎn)和不足，對DBSCAN算法進(jìn)行擴(kuò)展提出了DBSCAN+算法，然后針對非空間的高維特性提出使用SOM神經(jīng)網(wǎng)絡(luò)算法輔助進(jìn)行處理，DBSCAN+對非空間數(shù)據(jù)采用按照不同數(shù)據(jù)類型分別計(jì)算相異度的方法，并給出了試驗(yàn)結(jié)果。輔助進(jìn)行處理的方法是首先使用SOM對高維數(shù)據(jù)聚類的維進(jìn)行選擇，然后對候選維使用DBSCAN+算法聚類，或在候選維的基礎(chǔ)上使用SOM方法進(jìn)行非空間聚類，并把SOM和DBSCAN+兩種算法的聚類結(jié)果相結(jié)合，試驗(yàn)表明算法是有效的。

4、 ⑶針對現(xiàn)有空間約束聚類的缺點(diǎn)，提出一種可以處理空間約束的算法DBOF。該方法對空間約束分為三種對象：障礙對象，通達(dá)對象，既具有障礙作用又具有通達(dá)作用的對象。對于障礙對象采用多邊形建模，對于通達(dá)對象采用圖拓?fù)涞姆椒ń?，對第三種約束采用帶有穿越點(diǎn)屬性的圖拓?fù)溥M(jìn)行建模。對于障礙對象采用完整的障礙距離衡量兩點(diǎn)之間的距離，而對于后兩種約束由于采用了圖拓?fù)涞姆椒?，有利于算法的?shí)際應(yīng)用。試驗(yàn)結(jié)果表明，DBOF算法具有更好的聚類效果，并且具有良