資源描述：
《基于密度的空間聚類算法研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、維普資訊http://www.cqvip.com第l8卷第8期計(jì)算機(jī)技術(shù)與發(fā)展Vo1．18NO．82008年8月COMPI．丌ERTE(HNOIS×YANDDEVEL．()PMNTAug．2008基于密度的空間聚類算法研究聶躍光，陳立潮，陳湖(太原科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，山西太原030024)摘要：基于密度的聚類算法作為數(shù)據(jù)挖掘方法中的一種主要方法，不僅可以從數(shù)據(jù)集中發(fā)現(xiàn)任意形狀的簇，而且可以觀察到一個(gè)并發(fā)的、完整的聚類結(jié)構(gòu)，以及具有對(duì)噪聲數(shù)據(jù)不敏感的特點(diǎn)。針對(duì)目前常用的幾種基于密度的聚類算
2、法及改進(jìn)算法進(jìn)行討論，分析了這些密度聚類算法各自的優(yōu)缺點(diǎn)，并且以地理信息系統(tǒng)為應(yīng)用研究背景，提出了基于密度的聚類算法與GIS相結(jié)合，通過(guò)對(duì)多維數(shù)據(jù)屬性特征的提取，擴(kuò)展到多維數(shù)據(jù)的處理，在三維空間地形數(shù)據(jù)中的分析中取得了高效的聚類結(jié)果。關(guān)鍵詞：空間數(shù)據(jù)挖掘；聚類；密度聚類；GIS中圖分類號(hào)：TP391文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1673—629X(2008)08—0091一O4ResearchofSpatialClusteringAlgorithmsBasedonDensityNIEYue—guang，
3、CHENLi—chao，CHENHu(InstituteofComputerScienceandTechnology，TaiyuanUniversityofScienceandTechnology，Tai5naan030024，China)Abstract：Spatialclusteringalgorithmbasedondensityearlfindtheclusterofrandomshape，andsomesubsequentandintegrateclusteringstructure，a
4、ndlackofsensitivitytonoiseExpoundseveraldelksitybasedspatialclusteringandsomeupswingmethod，andanalysethead—vant~eanddisadvantageofthem．Thenonbackgmundof(ISproposeamethodofcombineddensiwbasedspatialclusteringalgorithmandGIS，whichextracttheattributeofth
5、emultidimensionaldatacanexpandtohandlethemultidimensionaldata，andgetthegoodeffectfromtheanalysisofthethreedimensionspace．Keywords：spatialdatamining；clustering；densityclustering；GISO引言該類算法分為基于局部連通性(1ocalconnectivity)和基隨著數(shù)據(jù)挖掘研究領(lǐng)域技術(shù)的發(fā)展，特別是高維于密度函數(shù)兩種。前者將局部
6、范圍內(nèi)密度相對(duì)高的區(qū)及空間數(shù)據(jù)挖掘的興起，作為數(shù)據(jù)挖掘主要方法之一域連通起來(lái)，形成一個(gè)簇，代表算法有D~qCAN算法、的聚類算法，也越來(lái)越受到人們的關(guān)注。數(shù)據(jù)挖掘OPTICS算法、CLIQUE算法等；后者用密度函數(shù)來(lái)模(DataMining)，也稱知識(shí)發(fā)現(xiàn)J，是從數(shù)據(jù)庫(kù)中便捷地?cái)M數(shù)據(jù)集的密度分布，代表算法有DENCLUE算法抽取出以前未知的、隱含的、有用的信息，所挖掘出來(lái)等。的知識(shí)可應(yīng)用于信息管理、決策支持、過(guò)程控制和其它許多應(yīng)用。所謂聚類，就是把大量的d維數(shù)據(jù)樣本(”1幾種用于空間數(shù)據(jù)挖掘的密度
7、聚類算法個(gè))聚集成k個(gè)類(k，7"／)，使同一類中樣本的相似性最1．1DBSCAN算法大，而不同類中樣本的相似性最小。DBSCAN(DensityBasedSpatialClusteringofAppli—基于密度的聚類算法將簇看作是數(shù)據(jù)空間中被較cationswithNoise)算法l'J，是一種比較有代表性的基低密度的區(qū)域分割開(kāi)的高密度對(duì)象區(qū)域，因此可以發(fā)于密度的空間聚類算法，它將簇定義為密度相連的點(diǎn)現(xiàn)任意形狀的簇，并能識(shí)別噪聲數(shù)據(jù)。根據(jù)實(shí)現(xiàn)方法，的最大集合，能夠把具有足夠高密度的區(qū)域劃分為簇
8、，并可在有“噪聲”的空間數(shù)據(jù)庫(kù)中發(fā)現(xiàn)任意形狀的聚收稿日期：2007一ll一26類?；痦?xiàng)目：山西省自然科學(xué)基金(200501044)I)P~C_-CAN的算法思想是：從數(shù)據(jù)集D中的任意一作者簡(jiǎn)介：聶躍光(1982～)，男，山西忻州人，碩士研究生，研究方向?yàn)槿斯ぶ悄?；陳立潮，教授，博：士，研究方向?yàn)槟Ｊ阶R(shí)別、人=【‘智能、個(gè)點(diǎn)P開(kāi)始，查找D中所有關(guān)于Eps(最小半徑)和數(shù)據(jù)挖掘。MinPt,~(密度閾值)的從P密度可達(dá)的點(diǎn)。若P是核心維普資訊http://www.cqvip.com·
