改進(jìn)的自適應(yīng)性密度聚類算法.pdf

1、數(shù)據(jù)挖掘的主要目標(biāo)就是在海量數(shù)據(jù)中發(fā)現(xiàn)隱含在數(shù)據(jù)內(nèi)部的不易被察覺(jué)的對(duì)決策者有用的信息。面臨海量的數(shù)據(jù)資料，我們的首要的使命是將這些數(shù)據(jù)進(jìn)行合理的歸類。聚類的定義為:將抽象的數(shù)據(jù)對(duì)象的集合或者物理的數(shù)據(jù)對(duì)象集合分成相似的對(duì)象集合的過(guò)程。以基于密度、基于劃分等為代表的是聚類算法，是聚類過(guò)程中主要使用的手段。計(jì)算機(jī)技術(shù)的進(jìn)步和互聯(lián)網(wǎng)技術(shù)的發(fā)展給數(shù)據(jù)處理帶來(lái)前所未有的挑戰(zhàn)。計(jì)算機(jī)和互聯(lián)網(wǎng)技術(shù)的發(fā)展使得需要處理的數(shù)據(jù)類型越來(lái)越復(fù)雜和數(shù)據(jù)量也越來(lái)越

2、大。數(shù)據(jù)類型和數(shù)據(jù)量級(jí)的增加使得數(shù)據(jù)挖掘技術(shù)在數(shù)據(jù)處理方面顯得尤為重要。
　　在數(shù)據(jù)挖掘中，基于密度的聚類分析方法意義重大。大多數(shù)聚類算法如DBSCAN算法和OPTICS算法等在聚類過(guò)程需要輸入?yún)?shù)，而傳統(tǒng)意義下這些參數(shù)由算法使用者隨意設(shè)定。顯然，人為選擇參數(shù)有很大盲目性。很多情況下，算法的使用者找不到適合某個(gè)數(shù)據(jù)集的參數(shù)。為了解決此問(wèn)題，本文提出ADCA算法。ADCA算法在基于密度的聚類方法基礎(chǔ)之上加入了數(shù)據(jù)分層思想和基于數(shù)據(jù)集