基于DBSCAN的自適應(yīng)聚類算法研究.pdf

1、隨著計算機(jī)和通信信息技術(shù)的爆炸式發(fā)展，在很多領(lǐng)域內(nèi)積累了海量的數(shù)據(jù)，這些龐雜的數(shù)據(jù)隱藏著很多有價值的信息，人們希望能夠從中獲得有用信息，來高效地推進(jìn)社會經(jīng)濟(jì)的發(fā)展。這種需求導(dǎo)致了數(shù)據(jù)挖掘（Data Mining）技術(shù)的誕生，它是計算機(jī)與信息技術(shù)領(lǐng)域最熱門的應(yīng)用價值極高的研究方向之一。聚類（Clustering）技術(shù)是數(shù)據(jù)挖掘應(yīng)用中的不可或缺的一部分，作為一個非常熱門的研究內(nèi)容，其主要目標(biāo)是利用并分析數(shù)據(jù)間的相關(guān)特性來識別聚類對象的劃分類

2、別。
　　本文主要研究了DBSCAN算法中聚類參數(shù)的自適應(yīng)確定的問題，以及基于網(wǎng)格密度劃分的增量聚類方法，具體的研究內(nèi)容如下：
　　1.根據(jù)核密度估計的基本理論，分析了有關(guān)DBSCAN聚類方法的優(yōu)勢和缺陷，采用非參數(shù)核密度估計理論來分析數(shù)據(jù)樣本的分布特征的思想，研究和改進(jìn)了一種自動確定Eps和minPts參數(shù)的方法，該方法能夠選取恰當(dāng)?shù)腅ps和minPts參數(shù)，處理過程中不再需要指定聚類參數(shù)，整個過程自動完成。實(shí)驗(yàn)和仿真結(jié)果

3、表明該方法不但提高了聚類效率，還能自適應(yīng)地確定兩個聚類參數(shù)。
　　2.根據(jù)增量算法的基本思路，利用了一種網(wǎng)格密度的劃分方法，并借助前一章參數(shù)自適應(yīng)的方法，研究了一種基于DBSCAN的動態(tài)增量聚類方法。該方法不必像傳統(tǒng)的增量算法那樣，更新一次樣本數(shù)據(jù)集就聚類一次，只要對目標(biāo)樣本掃描一次，獲取劃分的每個網(wǎng)格單元的內(nèi)容和信息，最后分別對這些劃分的有限個網(wǎng)格單元進(jìn)行處理，并將聚類信息映射到最終的結(jié)果中。實(shí)驗(yàn)和仿真結(jié)果說明該算法能夠有效地處