基于密度和层次的快速聚类算法在数据挖掘中的设计及实现.pdfVIP

计算机·信息安全. Information Security 基于密度和层次的快速聚类算法 在数据挖掘中的设计及实现 张艳 (山东信息职业技术学院 山东珠坊 261061) [摘要]本论文在对各种算法深入分析的基础上，尤其在对基于密度的聚类算法 he 基于层次的聚类算法深入研 究的基础上，提出了一种全新的基于密度和层次的快速聚类算法。该算法保持了基于密度聚类算法发现任意形状簇 的优点，而且具有近似线性的时间复杂性，因此该算法适合对大规模数据的挖掘。 理论分析和实验结果也证明了基 于密度和层次的聚类算法具有处理任意形状簇的聚类、对噪音数据不敏感的特点，并且其执行效率明显高于传统的 DBSCAN 算法。 [关键词]密度;层次;聚类;数据挖掘 The Design and Realization of Fast Clustering Algorithm 8ased on the Density and Level in Data Mining Zhang Yan (Shandong Informafion Vocafional and Techni，臼I College ShandongWeifang 261061) [ Abstract 1 This pa冈r on the basis of deep analysis in all kinds algorithm, espedally bas创 on density clustering algorithm and on the level of clustering algorithm deep research. Proposes a new fast clustering algorithm based on density and level. The algori伽m based on density keep clustering algorithm find the advantages of a巾i恼ry shape dusters, and with approximate linear 吕me ∞mplexity， 50 the algol协m suitable for large-scale 甸甸 mining. Theoretiω1 analysis and experimental 陪sults al50 proved based on density and hierarchical clustering algorithm is deal with arbi怕ry shape cluste陀 clustering, is not sensitive to noise data, and the characte时stic of its e而ciency is obviously higher than that of the 甘adifional DBSCAN algo愉1m. [ Ke阳ords 1 density; level; clustering; da恼 mining 1 前言 聚类其实就是将数据对象分组成多个类或簇，在同 一个簇中的对象之间具有较高的相似度，而不同簇中的 对象差别较大。 基于密度的 DBSCAN 聚类方法能够发现任意形状 的聚类结果，这类方法将簇看作是数据空间中被低密度 区域分割开的高密度对象区域。但是，该算法的时间复 杂性是 O(n匀，用这种复杂度的算法聚类大型数据库是 不太现实的。层次聚类 CURE 算法选择基于质心和基于 代表对象方法之间的中间策略。使用 CURE 形成代表点 的思想来形成 DBSCAN 算法所需要的 m (mn) 代表 点，然后对代表点进行 DBSCAl司算法聚类。保持了基于 密度聚类算法发现任意形状簇的优点，而且具有近似线 性的时间复杂性。 2 基于密度和层次的快速聚类算法设计 多维空间与三维空间的距离计算相似，为了方便地 描述算法，在本文中以三维空间为例来分析基于密度和 层次的聚类算法。 本算法采用的是凝聚的层次聚类方法，即自底向上 的方法。该凝聚过程由主层组成，如图 l 所示。最底层所 信息安全与技术 .2013 年 8 月 .59. Information Security . 信息安全 ·计算机 有的数据对象被视为各自处子一个簇中，作为该算法的 输入参数。 将整个数据集中的数据凝聚为以候选代表点 为中心的一个个集合，并通过密度阂值筛选，去掉一些 过稀疏的候选代表点，如围中代表集和ab的代表点， 留下的代表点即为排除孤立点的中间层聚类结果。 最高 层，也就是最终的聚类结果层，它是在中间层的基础上 ， 将邻接代表点聚类形成的簇，一个簇中由多于一个的代 表点构成 ，使得它能够适应非球