北大遥感所-周恩波-2-基于CUDA的PAM空间聚类算法研究.pdfVIP

主题：2. 空间大数据与云计算 基于CUDA 的空间聚类算法研究 * 周恩波，毛善君，李梅，孙振明 北京大学遥感与地理信息系统研究所，北京，100871，enbozhou@pku.edu.cn 摘要：K-Medoids 聚类算法存在初始点选择问题，而且计算复杂。为提高算法有效性和 时间效率，改进了传统的K-Medoids 算法PAM，并在GPU 高效执行。提出了一种矩阵计 算方法，减少数据在GPU 全局内存和共享内存之间的传输。利用模拟退火算法搜索初始 中心点，保证了聚类结果正确性。利用几组不同大小数据集进行了实验，结果表明所提 出的算法可以高效执行，并能得到正确结果。 关键词: 空间聚类分析；K-Medoids；CUDA；并行计算 1 引言 聚类分析是将一组对象分成若干类的过程，同一类中的对象彼此相似，不同类对象 [1] 之间不相似 。作为空间数据挖掘的重要部分，空间聚类具有许多实际应用，例如社区 发现以及在流行病学中发现一些聚集模式等。 常用的聚类算法包括K-Means，K-Medoids，BIRCH 和DBSCAN 等。作为十大经典数 据挖掘算法之一，K-Means 算法因为具有简单性被广泛应