基于多密度的聚類算法研究.pdf

1、自從人類邁入21世紀以來，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科在生產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)轉化成有效的信息。
　　數(shù)據(jù)挖掘中最重要的技術之一就是聚類分析，聚類分析通過算法將數(shù)據(jù)劃分成一個個類，在同一個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。隨著技術的發(fā)展，聚類分析已經廣泛應用于醫(yī)療、生物信息、電信、網(wǎng)頁搜索等各種領域。基于密度的

2、聚類算法可以在帶有噪聲點的數(shù)據(jù)中發(fā)現(xiàn)任意形狀的類。但數(shù)據(jù)格式趨向于復雜化，怎么樣提高算法的有效性以及魯棒性成為國內外學者研究的熱門課題。DBSCAN算法是基于密度聚類算法中最經典的算法，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系中表示出來，通過觀察每一個維度數(shù)據(jù)密度分布特點，按照分區(qū)閾值這個標準來決定是否對數(shù)據(jù)集進行分區(qū)處理。另外，本文還將數(shù)據(jù)分區(qū)算法與最新的 BDE-DBSCAN算法進行結合，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)算法進行預處理；然后對劃分后的

4、每一個子數(shù)據(jù)集采用BDE-DBSCAN算法進行聚類；再將每一個子數(shù)據(jù)集中聚類結果進行合并。最后本文設置了五組實驗并對每組實驗結果進行了詳細的分析，實驗中的測試數(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，五組實驗數(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