- 1、本文档共4页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
基于网格的高效DBSCAN算法
维普资讯
ComputerEngineeringandApplications计算机工程与应用 2007,43(17) 167
基于网格的高效DBSCAN算法
张 枫,邱保志
ZHANG Feng,QIU Bao—zhi
郑州大学 信息工程学院,郑州 450052
SchoolofInformation Engineering,Zhengzhou University,Zhengzhou 450052,China
E—mail:yeyeqiuyu@tom、corn
ZHANG Feng,QXU Bao-zhi.EfficientDBSCAN algorithm basedongrid.ComputerEngineeringandApplications,2007,43
(17):167-169.
Abstract:DBSCAN isan outstandingrepresentative ofclustering algorithmsforitsgood performance in clustering spatialdata、To
improveitsefficiencythispaperproposesGbDBSCAN(GridbasedDBSCAN).GbDBSCAN adoptsgirdanddatabinningtechnique
toquerydensityreachableobjectsofrallobjectsindataset.ItCallalsoidentifyandhandleborderpoints.Experimentresultsshow
thatGbDBSCAN ismuch moreefficientthan DBSCAN in low dimensionaldata space,withoutloweringthequalityof DBSCAN.
Key words:clustering;density;grid
摘 要 :DBSCAN是一种性能优越的基于密度 的聚类算法。为提高它的运行效率 ,提 出了基于网格 的DBSCAN算法GbDBSCAN。
该算法使用网格划分的方法和数据分箱技术,减少了判定密度可达对象时的搜索范围,降低了算法的运行时间.而且算法还能够
识别并处理边界点。实验结果表明,GbDBSCAN在不降低 DBSCAN聚类质量的前提下,大大提高了DBSCAN算法处理低维数据集
的效率。
关键词 :聚类 ;密度 ;网格
文章编号:1002—8331(2007)17—0167—03 文献标识码 :A 中图分类号 :TP3l1;TP18
l 引言 限制了它在现实中的应用 。
聚类技术是数据挖掘的重要研究方向之一 .其 目的是把相 本文提 出了基于 网格 的DBSCAN 聚类算法 GbDBSCAN
似的对象聚在一起而相异的对象尽可能地分离。它广泛应用于 (GridbasedDBSCAN),利用网格划分的方法和数据分箱技
市场分析、决策支持、商业经营和图像处理等诸多领域_l_。 术 ,确定数据点邻域 的搜索范围,大大降低 了DBSCAN的计算
目前 已经提出很多聚类算法 ,这些算法可分为以下几种 : 时间。同时,GbDBSCAN还可以识别数据集 中的边界点,并对
划分方法 、层次方法 、基于密度的方法 、基于 网格 的方法和基于 其做 出相应 的处理 。算法 的时间复杂度是数据规模 的线性
模型的方法I~1。基于网格 的方法首先将对象空间量化为有限数 函数
目的单元 ,形成网格结构 .然后在网格结构上进行聚类 这种方
法的主要优点是处理速度快 ,其处理 时间独立于对象数 目.仅 2 DBSCAN算法
依赖于量化空间中每一维上 的单元数 目[31STING和 CLIQUE DBSCAN是一种颇具代表性的基于密度的聚类算法.其核
是基于网格技术具有代表性 的方法 STING(StatisticalInofr. 心思想是:对于构
文档评论(0)