一种改进DBSCAN聚类融合算法及应用.docVIP

一种改进的DBSCAN聚类融合算法及应用 　　摘#8195;要DBSCAN高密度聚类是数据挖掘中聚类算法里常用的一种分析方法，它能找出样本比较密集的部分并概括出样本相对比较集中的类。本文通过分析DBSCAN算法特点并对其缺陷加以改进运用于RoboCup中型组机器人数据融合系统，实验结果表明运用DBSCAN算法可以大幅度提高机器人目标定位的准确性。 　　关键词聚类融合；DBSCAN；密度；RoboCup中型组数据融合 　　中图分类号TP文献标识码A文章编号1673-9671-(2011)072-0173-01 　　 　　聚类是一种重要的数据分析技术。聚类分析作为统计学的一个分支已经被广泛研究了许多年。而且，聚类分析也已经广泛地应用到诸多领域中，包括人工智能、模式识别、数据分析、图像处理、推荐系统以及市场研究等领域。通过聚类，人们能够识别密集的和稀疏的区域，因而发现全局的分布模式，以及数据属性之间有趣的相互关系。本文针对目前DBSCAN算法的特点及缺陷将之稍作改变并实现其算法步骤，然后放到具体应用中加以实验测试。 　　1DBSCAN算法简介及特点 　　DBSCAN算法利用类的高密度连通性，快速发现任意形状的类。其基本思想是：对于一个类中的每个对象，在其给定半径的领域中包含的对象不能少于某一给定的最小数目。为了发现一个类，DBSCAN先从对象集F中找到任意一对象P，并查找F中关于半径EPS和最小对象数Minpts的从P密度直达的所有对象。若P是核心对象，也就是说半径为EPS的P的领域中所包含的对象数不小于Minpts，则通过区域查询（region query）可以找到一个关于EPS和Minpts的类，即集合C。如果P是一个边界点，则半径为EPS的P的领域中所包含的对象小于Minpts，P被暂时标注为噪声点，然后继续循环处理F中下一个对象直到找出所有类。 　　DBSCAN算法是一种基于密度的空间数据聚类方法，该算法的显著优点是聚类速度快，且能够有效处理噪声点和发现任意形状的空间聚类。但由于它在进行聚类时使用了一个全局性的表征密度的参数，因此也具有比较明显的弱点：一是要求人为确定参数；二是当空间聚类密度不均匀，聚类间距离相差很大时，聚类质量将会受到影响。 　　2算法改进及实现 　　本文以典型的多移动机器人系统RoboCup中型足球机器人比赛系统为应用实例，由大量的实验数据统计结果表明，比赛系统中各机器人返回的目标定位数据总是以呈正态分布形式出现在实际位置的周围。因此，本文以RoboCup中型足球机器人比赛系统的目标定位作为改进后的DBSCAN算法的应用环境。 　　机器人需要辨别的目标如球、场上机器人等的位置都是以二维坐标点的方式表示的。在写一个比较完整的程序之前，通常要先规划好程序的数据结构及算法。 　　2.1数据结构的需求分析及定义 　　在本设计中，由于数据点集邻域的存在形成了一种相邻的关系，这一点跟数据结构中的图很相象，而对图进行操作一般使用的是邻接表，因此我们考虑用邻接表来实现此结构，并且用邻接表实现具有很多优点：简单直观，操作简便，使用频繁。邻接表由两部分组成：基表和每个基表后面各自的链接表。定义如下： 　　typedef struct basicNode1//基表 　　{ int id; //用来表明该点的类号，id的值是在聚类过程中填入的 　　bool coretag; //用于记录该点是核心点还是边界点 　　bool usedtag; //用于标识该点是否已经被聚类过了，以防止不必要的重复操作 　　int x; //x和y用于记录下某个点的二维坐标值表示对象的位置 　　int y; 　　linkNode1 * next; //用于链接该点邻域内的其他点。 　　}basicNode; 　　typedef struct linkNode1//链接表 　　{int pointIndex; //指明该邻接点是基表中的哪个点 　　linkNode1 *next; //用于链接下一个点 　　}linkNode; 　　2.2在该数据结构基础上的聚类算法 　　邻接表建立完成后，就要开始进行聚类运算了。算法大致的工作流程如下： 　　1）初始化一些参数，其中领域半径值EPS和门限值Minpts由机器人系统的比赛实际情况确定，以4Vs4 RoboCup中型足球机器人比赛系统来说，本文选领域半径值EPS＝0.3m，Minpts＝2，聚类数K＝0。 　　2）将对象集F中所有对象插入到邻接表，逐个扫描邻接表基表中的对象，判断其是否已经被聚类过了（通过判断usedtag来实现），如果是，则跳过这一对象，否则开始下一步。 　　3）判断其是否为核心点，只有核心点才能发起一次聚类活动，是则K＝K＋