基于劃分和密度的聚類算法研究.pdf

1、近年來隨著信息產業(yè)的迅速發(fā)展，數(shù)據(jù)挖掘得到了廣泛的應用.數(shù)據(jù)挖掘主要包括關聯(lián)分析，分類，聚類等應用。聚類是數(shù)據(jù)挖掘的一個重要研究方向。傳統(tǒng)的聚類算法包括劃分方法、層次方法、基于密度方法、基于網格方法和基于模型方法。聚類可以有效處理大量復雜沒有類標志的數(shù)據(jù)集，廣泛應用于金融業(yè)，生物學，天文學等多個領域。
　　 本文首先介紹了數(shù)據(jù)挖掘的相關概念，然后詳細介紹了傳統(tǒng)的聚類算法，劃分聚類和密度聚類比較常用，但是傳統(tǒng)的聚類算法本身存在許多

2、問題，比如容易受數(shù)據(jù)輸入順序影響以及孤立點影響等，降低了聚類的質量.所以本文主要對K-Means算法和DBSCAN算法進行分析和研究，提出改進思想，從而有效的提高算法質量。
　　 K-Means算法是一種經典的聚類算法，有很多優(yōu)點，也存在許多不足。比如初始聚類數(shù)K要事先指定，初始聚類中心選擇存在隨機性，算法容易生成局部最優(yōu)解，受孤立點的影響很大等。本文主要針對K-Means算法初始聚類中心的選擇以及孤立點問題加以改進，首先計算所

3、有數(shù)據(jù)對象之間的距離，根據(jù)距離和的思想排除孤立點的影響，然后提出了一種新的初始聚類中心選擇方法，并通過實驗比較了改進算法與原算法的優(yōu)劣。實驗表明，改進算法受孤立點的影響明顯降低，而且聚類結果更接近實際數(shù)據(jù)分布。
　　 DBSCAN算法是一種基于密度的聚類算法，可以在帶有噪聲的環(huán)境下發(fā)現(xiàn)任意形狀的類。但是算法對輸入?yún)?shù)Eps敏感，DBSCAN由于采用全局Eps值，所以在數(shù)據(jù)密度不均勻和類間距離相差比較大的情況下，聚類質量會受到很大