基于密度的空間聚類算法的研究.pdf

1、空間數(shù)據(jù)挖掘是指從包含空間信息的數(shù)據(jù)庫中抽取隱含的知識、空間關(guān)系或有意義的特征模式。它在理解空間數(shù)據(jù)、獲取空間與非空間數(shù)據(jù)的內(nèi)在關(guān)系上具有重要意義?？臻g聚類分析是空間數(shù)據(jù)挖掘中一個重要的研究方向，它是按照某種相似性度量值，對空間數(shù)據(jù)集中的數(shù)據(jù)對象進行歸類和標識成簇，使得同簇中的對象盡可能相似，而不同簇間的對象彼此不相似?？臻g聚類分析既可作為獨立的空間數(shù)據(jù)挖掘工具，又可作為其它方法的預(yù)處理方法，目前己經(jīng)應(yīng)用在地理信息系統(tǒng)、遙感、醫(yī)學圖像處

2、理、環(huán)境研究等領(lǐng)域，具有重要的實用價值。目前，聚類算法大體上分為劃分的方法、層次的方法、基于密度的方法、基于網(wǎng)格的方法和基于模型的方法。這些算法存在如下的問題：符號屬性問題、算法的效率問題、初值的選擇問題、對輸入順序的敏感性問題、最優(yōu)解問題、算法對輸入?yún)?shù)的依賴性問題。 該研究對聚類算法的發(fā)展現(xiàn)狀作了介紹，對現(xiàn)有的聚類算法作了深入的研究，并對其優(yōu)缺點進行了比較分析。通過對一種基于密度的聚類算法DBSCAN進行分析，針對其 I/O

3、 開銷和內(nèi)存消耗大的缺陷，提出了一種基于可達核心點的聚類算法DRDBSCAN。該算法主要思想是：選擇數(shù)據(jù)庫中無任何標識的點進行核心點判斷，圍繞核心點生成源簇，再對含有共享點的源簇不斷合并，從而得到最終結(jié)果。通過上述思想，該算法減少了 DBSCAN 算法中需要查詢的點的數(shù)量，從而克服了DBSCAN 算法 I/O 開銷和內(nèi)存消耗大的缺陷，提高了 DBSCAN 算法的聚類效率。 利用 VC++開發(fā)工具實現(xiàn)該算法，并從聚類質(zhì)量和效率兩方