基于多密度的聚類算法研究.pdf

1、自從人類邁入21世紀(jì)以來，數(shù)據(jù)呈現(xiàn)爆炸式增長，獲取這些數(shù)據(jù)中潛在的信息也變得十分重要。數(shù)據(jù)挖掘作為一門新興的學(xué)科在生產(chǎn)生活中扮演著越來越重要的角色，數(shù)據(jù)挖掘可以將這些看似雜亂的數(shù)據(jù)轉(zhuǎn)化成有效的信息。
　　數(shù)據(jù)挖掘中最重要的技術(shù)之一就是聚類分析，聚類分析通過算法將數(shù)據(jù)劃分成一個(gè)個(gè)類，在同一個(gè)類中的對象具有相似的特性，而不同類之間是沒有相似性的。隨著技術(shù)的發(fā)展，聚類分析已經(jīng)廣泛應(yīng)用于醫(yī)療、生物信息、電信、網(wǎng)頁搜索等各種領(lǐng)域。基于密度的

2、聚類算法可以在帶有噪聲點(diǎn)的數(shù)據(jù)中發(fā)現(xiàn)任意形狀的類。但數(shù)據(jù)格式趨向于復(fù)雜化，怎么樣提高算法的有效性以及魯棒性成為國內(nèi)外學(xué)者研究的熱門課題。DBSCAN算法是基于密度聚類算法中最經(jīng)典的算法，算法可以在數(shù)據(jù)中發(fā)現(xiàn)任意形狀的簇，而且對噪聲點(diǎn)不敏感。但是對于那些數(shù)據(jù)密度分布不均勻的數(shù)據(jù)集，算法的聚類表現(xiàn)得并不是很理想。
　　針對該問題，本文論證了DBSCAN聚類算法的不足，分析了DBSCAN算法在密度分布不均勻數(shù)據(jù)集中聚類效果差的原因，探討

3、了PDBSCAN算法在對數(shù)據(jù)集分區(qū)過程中的缺陷，并以此為基礎(chǔ)引入了一種數(shù)據(jù)分區(qū)算法。數(shù)據(jù)分區(qū)算法基本思想是將數(shù)據(jù)集的密度分布曲線在坐標(biāo)系中表示出來，通過觀察每一個(gè)維度數(shù)據(jù)密度分布特點(diǎn)，按照分區(qū)閾值這個(gè)標(biāo)準(zhǔn)來決定是否對數(shù)據(jù)集進(jìn)行分區(qū)處理。另外，本文還將數(shù)據(jù)分區(qū)算法與最新的 BDE-DBSCAN算法進(jìn)行結(jié)合，我們稱之為數(shù)據(jù)分區(qū)BDE-DBSCAN算法。數(shù)據(jù)分區(qū)BDE-DBSCAN算法首先對原始數(shù)據(jù)集按照數(shù)據(jù)分區(qū)算法進(jìn)行預(yù)處理；然后對劃分后的

4、每一個(gè)子數(shù)據(jù)集采用BDE-DBSCAN算法進(jìn)行聚類；再將每一個(gè)子數(shù)據(jù)集中聚類結(jié)果進(jìn)行合并。最后本文設(shè)置了五組實(shí)驗(yàn)并對每組實(shí)驗(yàn)結(jié)果進(jìn)行了詳細(xì)的分析，實(shí)驗(yàn)中的測試數(shù)據(jù)集包括兩組密度分布均勻的以及三組密度分布不均勻的，五組實(shí)驗(yàn)數(shù)據(jù)集都采用了DBSCAN算法、BDE-DBSCAN算法以及數(shù)據(jù)分區(qū)BDE-DBSCAN算法進(jìn)行聚類。從聚類的效果來看，對于密度分布均勻的數(shù)據(jù)集，數(shù)據(jù)分區(qū)BDE-DBSCAN算法表現(xiàn)與DBSCAN算法和BDE-DBSCA