基于相对密度的聚类算法研究-计算机应用技术专业论文.docxVIP

浙江工业大学硕士学位论文基于相对密度的聚类算法研究 浙江工业大学硕士学位论文 基于相对密度的聚类算法研究 摘 要 聚类分析是数据挖掘领域的一个热点课题，目前国内外学者已提出许多算法，这些算 法依据其自身不同的特性可适用于不同的应用环境。其中传统基于密度的聚类算法以其良 好的可伸缩性、抗噪能力和发现任意形状簇的能力得到广泛应用，然而由于其采用全局参 数，即绝对密度作为簇的度量标准，故传统密度聚类算法有一重要缺点：不能发现不同密 度等级的聚类。以相对密度作为簇的度量标准能很好的解决该问题，因此产生了基于相对 密度的聚类算法。 同时，在实际应用中，待聚类的数据通常是动态变化的，当数据发生变化时，原挖掘 出的聚类模式也应进行更新。因此，如何设计增量聚类算法以避免计算资源的浪费和提高 聚类效率，已成为当前聚类分析的一个重要挑战。 本文首先介绍聚类的相关知识，对数据挖掘中常用到的基本概念如聚类、相似性度量、 密度等进行了简单介绍；对传统聚类算法进行回顾，并给出了分类和性能比较。 其次，在分析传统密度聚类算法的不足的基础上，提出了基于相对密度的混合属性数 据集聚类算法M—RDBCA(Relative Density-Based Clustering Algorithm for Mixture Data Sets)，该算法克服了传统密度算法的不足，保持了基于密度聚类算法可以发现任意形状