基于網(wǎng)格的DBSCAN算法和聚類邊界技術的研究.pdf

1、隨著計算機應用的普及，信息系統(tǒng)產(chǎn)生的數(shù)據(jù)量日益增大，如何有效地利用巨量的原始數(shù)據(jù)分析現(xiàn)狀和預測未來，已經(jīng)成為人類面臨的一大挑戰(zhàn)。這時，數(shù)據(jù)挖掘技術應運而生。數(shù)據(jù)挖掘又稱數(shù)據(jù)庫中的知識發(fā)現(xiàn)，是指從大型數(shù)據(jù)集中發(fā)現(xiàn)有趣的、有用的且預先未知的知識的過程。數(shù)據(jù)挖掘是數(shù)據(jù)庫研究最活躍的領域之一，通過數(shù)據(jù)挖掘可以從大型數(shù)據(jù)集中提取可信、新穎、有效并易于理解的知識、規(guī)律或高層信息，這給人們在信息時代所積累的海量數(shù)據(jù)賦予了新的意義。隨著數(shù)據(jù)挖掘技術的迅

2、速發(fā)展，作為其重要組成部分，聚類分析和邊界模式檢測技術已經(jīng)廣泛應用于模式識別、數(shù)據(jù)分析、圖像處理、市場研究等許多領域。而聚類和邊界模式檢測算法的研究也已經(jīng)成為數(shù)據(jù)挖掘研究領域中非?；钴S的一個研究課題。 聚類是數(shù)據(jù)挖掘的一項重要內(nèi)容，它把沒有類別標記的樣本按照某種準則劃分為若干類，使類內(nèi)樣本的相似性盡可能大，而類間樣本的相似性盡可能小。它是一種非監(jiān)督的學習方法。傳統(tǒng)的基于密度的聚類算法DBSCAN可以發(fā)現(xiàn)不同大小、任意形狀的聚類，

3、但算法的高復雜度限制了它的應用。傳統(tǒng)的網(wǎng)格聚類算法具有很高的效率，但是精度不高。本文提出了基于網(wǎng)格的高效DBSCAN算法GbDBSCAN，綜合了基于密度聚類算法和網(wǎng)格聚類算法的優(yōu)點，使用網(wǎng)格劃分和數(shù)據(jù)分箱技術，提高DBSCAN算法的效率。并且，算法能夠識別和處理邊界點。實驗結(jié)果表明，GbDBSCAN在不降低DBSCAN聚類質(zhì)量的前提下，大大提高了DBSCAN算法處理低維數(shù)據(jù)集的效率。 在現(xiàn)實應用中有著重要意義的邊界模式檢測技術對