針對非均勻數(shù)據(jù)集的DBSCAN聚類算法研究.pdf

1、海量數(shù)據(jù)的增長使得有用信息和知識的獲取變得更加困難，作為一種能自動、智能地將待處理數(shù)據(jù)轉(zhuǎn)換成有用信息和知識的數(shù)據(jù)處理、分析技術(shù)，數(shù)據(jù)挖掘已經(jīng)在各行各業(yè)的知識發(fā)現(xiàn)和數(shù)據(jù)分析過程中得到了廣泛地應用。
　　聚類分析是數(shù)據(jù)挖掘中的一個重要技術(shù)手段，它通過發(fā)現(xiàn)數(shù)據(jù)集的分布模式和對象間的有趣相關，從而將數(shù)據(jù)集分組為由類似對象組成的多個簇。其中，著名的基于密度聚類算法通過數(shù)據(jù)對象的密度擴展，能夠從帶有噪聲的數(shù)據(jù)集中發(fā)現(xiàn)任意形狀的簇。但隨著各種復

2、雜類型數(shù)據(jù)集的涌現(xiàn)，使得基于密度聚類在提高數(shù)據(jù)集的適應性和聚類結(jié)果的準確性等方面面臨著巨大的挑戰(zhàn)。
　　DBSCAN是典型的基于密度聚類算法，它能夠發(fā)現(xiàn)任意形狀、大小分布的簇，且具有較強的抗噪聲能力；但由于其輸入?yún)?shù)強烈依賴于領域知識，極大地降低了其易用性，尤其對于非均勻密度分布的數(shù)據(jù)集，全局固定參數(shù)的采用嚴重地影響了聚類結(jié)果的準確性。針對DBSCAN算法的缺點，本文提出了一種基于密度層次劃分的DBSCAN聚類算法，DBSCAN-

3、DLP。該算法的基本思想是：用k近鄰距離作為密度度量對數(shù)據(jù)集按密度大小排序，根據(jù)數(shù)據(jù)集密度分布的統(tǒng)計信息計算出密度層次跳變閾值，由該閾值劃分數(shù)據(jù)集得到能體現(xiàn)不同密度水平的代表集；再對每個代表集進行Eps參數(shù)估計；最后在每個代表集上采用局部DBSCAN聚類，并合并局部聚類結(jié)果。對比實驗結(jié)果表明，該算法在聚類準確性方面優(yōu)于傳統(tǒng)的DBSCAN算法。
　　另外，針對具有較大密度分布差異的代表集，為了進一步提高局部聚類質(zhì)量，本文給出了鄰域半