基于DBSCAN聚类算法的研究与实现-Read.PDFVIP

第 24 卷第 4 期 计算机应用 Vol. 24 ,No. 4 2004 年 4 月 　 Computer Applications 　 Apr. ,2004 ( ) 文章编号 :1001 - 9081 2004 04 - 0045 - 02 基于 DBSCAN 聚类算法的研究与实现 荣秋生 ,颜君彪 ,郭国强 (湖南文理学院 计算机科学与技术系 ,湖南 常德 415000) (rongqs @sina. com) 摘 　要 :高密度聚类作为数据挖掘中聚类算法的一种分析方法 ,它能找到样本比较密集的部分 , 并且概括出样本相对比较集中的类。文中分析了传统的聚类算法及局限性 ,讨论了一个基于高密度 聚类算法的实现过程 ,使得算法可自动发现高维子空间 ,处理高维数据表格 ,得到较快的聚类速度和 最佳的聚类效果。 关键词 :数据挖掘 ;聚类 ;高密度 ; 网格;DBSCAN 中图分类号: TP311 　　文献标识码 :A Research and Implementation of Clustering Algorithm Based on DBSCAN RONG Qiusheng ,YAN Junbiao ,GUO Guoqiang ( ) Department of Computer Science and Technology , Hunan University of Arts and Sciences , Changde Hunan 415000 ,China Abstract :As an analyzing method of clustering algorithm in data mining ,DBSCAN finds relatively dense regions ,which are clusters. This paper analyses localization of the traditional clustering algorithm , discusses an implementation of DBSCAN. The algorithm digs out high dimension space and deals with data form. The high accuracy and efficiency of DBSCAN clustering algorithm are shown in the experiments. Key words :data mining ;clustering ;high density ; Grid ;DBSCAN 　　随着数据挖掘研究领域技术的发展 ,作为数据挖掘主要 点在空间中的密度分布函数 ,它由一系列的概率分布决定。 方法之一的聚类算法 ,也越来越受到人们的关注。数据挖掘 上述这些算法的缺点在于对样本数据的分布进行了一定 ( ) [1 ] ( ) Data Mining ,也称知识发现 KDD ,是从数据库中便捷地 的假设 ,处理大数据集和高维数据集时不够有效 ;另