基于相對(duì)密度的聚類算法研究.pdf

1、聚類分析是數(shù)據(jù)挖掘領(lǐng)域的一個(gè)熱點(diǎn)課題，目前國內(nèi)外學(xué)者已提出許多算法，這些算法依據(jù)其自身不同的特性可適用于不同的應(yīng)用環(huán)境。其中傳統(tǒng)基于密度的聚類算法以其良好的可伸縮性、抗噪能力和發(fā)現(xiàn)任意形狀簇的能力得到廣泛應(yīng)用，然而由于其采用全局參數(shù)，即絕對(duì)密度作為簇的度量標(biāo)準(zhǔn)，故傳統(tǒng)密度聚類算法有一重要缺點(diǎn)：不能發(fā)現(xiàn)不同密度等級(jí)的聚類。以相對(duì)密度作為簇的度量標(biāo)準(zhǔn)能很好的解決該問題，因此產(chǎn)生了基于相對(duì)密度的聚類算法。
　　 同時(shí)，在實(shí)際應(yīng)用中，待

2、聚類的數(shù)據(jù)通常是動(dòng)態(tài)變化的，當(dāng)數(shù)據(jù)發(fā)生變化時(shí)，原挖掘出的聚類模式也應(yīng)進(jìn)行更新。因此，如何設(shè)計(jì)增量聚類算法以避免計(jì)算資源的浪費(fèi)和提高聚類效率，已成為當(dāng)前聚類分析的一個(gè)重要挑戰(zhàn)。
　　 本文首先介紹聚類的相關(guān)知識(shí)，對(duì)數(shù)據(jù)挖掘中常用到的基本概念如聚類、相似性度量、密度等進(jìn)行了簡(jiǎn)單介紹；對(duì)傳統(tǒng)聚類算法進(jìn)行回顧，并給出了分類和性能比較。
　　 其次，在分析傳統(tǒng)密度聚類算法的不足的基礎(chǔ)上，提出了基于相對(duì)密度的混合屬性數(shù)據(jù)集聚類算法M

3、 RDBCA(Relative Density-Based Clustering Algorithm for Mixture DataSets)，該算法克服了傳統(tǒng)密度算法的不足，保持了基于密度聚類算法可以發(fā)現(xiàn)任意形狀的聚類和對(duì)噪聲不敏感的優(yōu)點(diǎn)；由于算法定義了混合屬性距離用于度量混合屬性對(duì)象之間的相似度，并引入了純鄰居的概念，因此該算法在聚類時(shí)既考慮了數(shù)值屬性也考慮了分類屬性；算法以相對(duì)密度作為聚類標(biāo)準(zhǔn)，能區(qū)分不同密度等級(jí)的簇，同時(shí)提出純

4、核心對(duì)象集的概念，使簇中對(duì)象能更好的融為一體；另外，算法為參數(shù)的設(shè)置提供了理論依據(jù)，避免了諸如DBSCAN算法的聚類結(jié)果對(duì)于參數(shù)過于敏感的問題。
　　 最后，對(duì)M_RDBCA的增量聚類方法進(jìn)行了深入細(xì)致的研究。首先，介紹了增量聚類算法的數(shù)據(jù)模型和基本思路；其次，研究了M_RDBCA算法三種不同操作方式下的增量聚類算法：①影響集重新聚類--確定受增刪操作影響的對(duì)象集合，增量聚類僅對(duì)該影響集進(jìn)行處理；②單個(gè)增刪更新方式--依據(jù)插入或