基于網(wǎng)格的DBSCAN算法和聚類邊界技術(shù)的研究.pdf

1、隨著計(jì)算機(jī)應(yīng)用的普及，信息系統(tǒng)產(chǎn)生的數(shù)據(jù)量日益增大，如何有效地利用巨量的原始數(shù)據(jù)分析現(xiàn)狀和預(yù)測(cè)未來(lái)，已經(jīng)成為人類面臨的一大挑戰(zhàn)。這時(shí)，數(shù)據(jù)挖掘技術(shù)應(yīng)運(yùn)而生。數(shù)據(jù)挖掘又稱數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn)，是指從大型數(shù)據(jù)集中發(fā)現(xiàn)有趣的、有用的且預(yù)先未知的知識(shí)的過(guò)程。數(shù)據(jù)挖掘是數(shù)據(jù)庫(kù)研究最活躍的領(lǐng)域之一，通過(guò)數(shù)據(jù)挖掘可以從大型數(shù)據(jù)集中提取可信、新穎、有效并易于理解的知識(shí)、規(guī)律或高層信息，這給人們?cè)谛畔r(shí)代所積累的海量數(shù)據(jù)賦予了新的意義。隨著數(shù)據(jù)挖掘技術(shù)的迅

2、速發(fā)展，作為其重要組成部分，聚類分析和邊界模式檢測(cè)技術(shù)已經(jīng)廣泛應(yīng)用于模式識(shí)別、數(shù)據(jù)分析、圖像處理、市場(chǎng)研究等許多領(lǐng)域。而聚類和邊界模式檢測(cè)算法的研究也已經(jīng)成為數(shù)據(jù)挖掘研究領(lǐng)域中非?；钴S的一個(gè)研究課題。 聚類是數(shù)據(jù)挖掘的一項(xiàng)重要內(nèi)容，它把沒(méi)有類別標(biāo)記的樣本按照某種準(zhǔn)則劃分為若干類，使類內(nèi)樣本的相似性盡可能大，而類間樣本的相似性盡可能小。它是一種非監(jiān)督的學(xué)習(xí)方法。傳統(tǒng)的基于密度的聚類算法DBSCAN可以發(fā)現(xiàn)不同大小、任意形狀的聚類，

3、但算法的高復(fù)雜度限制了它的應(yīng)用。傳統(tǒng)的網(wǎng)格聚類算法具有很高的效率，但是精度不高。本文提出了基于網(wǎng)格的高效DBSCAN算法GbDBSCAN，綜合了基于密度聚類算法和網(wǎng)格聚類算法的優(yōu)點(diǎn)，使用網(wǎng)格劃分和數(shù)據(jù)分箱技術(shù)，提高DBSCAN算法的效率。并且，算法能夠識(shí)別和處理邊界點(diǎn)。實(shí)驗(yàn)結(jié)果表明，GbDBSCAN在不降低DBSCAN聚類質(zhì)量的前提下，大大提高了DBSCAN算法處理低維數(shù)據(jù)集的效率。 在現(xiàn)實(shí)應(yīng)用中有著重要意義的邊界模式檢測(cè)技術(shù)對(duì)