基于网格和最近邻居聚类算法.docVIP

基于网格和最近邻居聚类算法 　　摘 要：针对目前已有的聚类算法不能很好地处理包含不同密度的簇数据，或者不能很好地区分相邻的密度相差不大的簇的问题，提出1种新的基于严格最近邻居和共享最近邻居的聚类算法. 通过构造共享严格最近邻图，使样本点在密度一致的区域保持连接，而在密度不同的相邻区域断开连接，并尽可能去除噪声点和孤立点. 该算法可以处理包含有不同密度的簇数据，而且在处理高维数据时具有较低的时间复杂度. 实验结果证明，该算法能有效找出不同大小、形状和密度的聚类. 　　关键词：聚类算法；相似度；密度；网格；最近邻居 　　中图分类号：TP301.6 文献标志码：A 　　 　　Clustering algorithm based on grid and nearest neighbors 　　CHEN Yiru，SUN Guangzhong，XU Yinlong 　　(Anhui Province-MOST Key Co-Lab of High Performance Computing and its Application， 　　Univ. of Sci. Tech. of China，Hefei 230027，China) 　　Abstract：Due to the fact that the current clustering algorithms can not perform well while processing clustering datasets which contain clusters with different densities or distinguishing adjacent clusters with similar densities，a new clustering algorithm is proposed based on strict nearest neighbors and shared nearest neighbors. The algorithm keeps the links in regions of uniform density and breaks the links in regions of different density and removes the noises and isolated points by constructing the shared strict nearest neighbor graph. It processes datasets containing clusters with different densities and has low time complexity while dealing with high dimensional data. The experiment results prove that the algorithm can efficiently find clusters with differing shapes，sizes and densities. 　　Key words：clustering algorithm；similarity；density；grid；nearest neighbor 　　 　　0 引 言 　　 　　聚类是将数据对象分组成为多个类或簇，在同一个簇中的对象之间具有较高相似度，而不同簇中的对象差别较大.聚类分析是数据挖掘重要的研究领域之一，针对聚类已提出许多有效的算法，如K-means[1]，STING[2]，DBSCAN[3]和Chameleon[4]等都从不同的角度对大规模、高维数据库进行分析，但各有优势和不足. 　　如何找出不同大小、形状和密度的聚类，并且处理好噪音和孤立点，确定聚类的个数，这些仍然是目前面临的挑战.我们发现，现有的聚类算法在处理的数据集中存在以下几个问题：(1)包含有不同密度的簇；(2)包含有相连着密度相差不太大的簇；(3)包含有大量的高维数据. 　　具有上述特点的问题广泛存在.例如：在生物学上，通过基因分类获得对种群固有结构的认识，而基因的特征数据经常具有不同的密度；在市场分析上，用购买模式刻画不同客户群的特征，而客户基本库中相近的客户群经常具有相差不大的密度；在地球观测数据库中，则通常是大量的高维数据.[5] 　　本文提出1个新的基于严格和共享最近邻的聚类算法，能够较好地解决上述问题.算法通过构造共享严格最近邻图，使样本点在密度一致的区域保持连通，而在密度不同的相邻区域则断开连接.基于共享严格最近邻的相似度反映数据空间内局部样本点的构造情况，对密度的变化和空间维度都不太敏感，具有较好的健