基于网格密度和距离信息特征的聚类算法.pdfVIP

华南理工大学学报(自然科学版) JournalofSouthChina of V01．37 第37卷第4期 UniversityTechnology No．4 Science 2009 2009年4月 (Natural Edition) April 基于网格密度和距离信息特征的聚类算法宰 戴维迪1 张璐2 王文俊1 侯越先1 (1．天津大学计算机科学与技术学院，天津300072；2．天津大学软件学院，天津300072) 摘要：真实数据集通常密度分布不均，多数基于网格和密度的聚类算法采用的单调性 搜索方法难以形成有效聚类．为此，文中提出了基于网格密度和距离信息特征的聚类算法 (GDD)．该算法将数据空间划分成网格单元，并构建基于簇中心距离信息的跃迁函数，通 过考察局域范围内网格单元的密度跃迁比，并比对计算出的当前网格单元的跃迁函数值， 以决定是否继续扩展和增长聚类簇规模．具体的跃迁函数在真实和模拟集上的实验结果 表明：GDD算法能够发现任意形状的．簇，对噪音数据不敏感，且具有线性于网格数目的时 间复杂性，适合对大规模真实数据集的聚类． 关键词：聚类；密度；网格；距离；跃迁函数 中网分类号：11P311 文献标识码：A 近年来，数据挖掘成为一个热门的研究领域，其 用性． 中聚类分析属于无监督学习方法，可分为以下几种 本研究提出一种基于网格密度和距离信息特征 on Based 类型：划分方法、层次方法、基于密度的方法、基于网 的聚类算法GDD(ClusteringAlgorithm Grid’s and 格的方法和基于模型的方法¨-．其中基于密度的方 DensityDistance)，该方法的主要特征是 法实现过程多基于两个输入参数邻域半径和密度阈 预先构建一个基于距离的跃迁函数日(d)，聚类过 值实现，在聚类过程中通过考察这两个参数的变动 程中根据计算出的H(d)决定单元格的合并与否， 情况来发现数据的分布特征，其优点在于能发现任 从而回避密度分布不均对聚类结果的影响，更加适 意形状的簇和处理噪音数据，却存在着计算复杂性 合于样本抽取、数据残缺情况下的聚类． 高(≥0(nlgn)和对输入参数敏感等缺陷．基于网格 1 GDD算法 的方法是将数据窄间划分成独立的网格单元，通常 将对单一对象的处理转换成对一组对象的处理来降 1．1 概念 低计算复杂性，随后的聚类过程在网格单元上进行， 定义1(网格密度)：一个网格单元i中包含的 如文献[2．4]；基于上述两种方法的特点，可以将这对象数目，标记为GDensity(i)． 两种方法结合在一起，既能满足聚类不同形状簇的 定义2(簇中心)：簇C中具有最高网格密度的 要求，又能获得低的聚类时间，如文献[5-7]等．通常网格单元，标记为C。。。。． 这种集成方法引入网格基础上的密度概念进行单调 定义3(当前网格)：聚类过程中已经加入到当 性搜索形成聚类，仅考虑了簇内部信息，没有考虑簇 前簇中且正在被考察的网格