网格化局部自适应DBSCAN聚类算法

摘要：

经典DBSCAN(density based spatial clustering of applications with noise)算法需要人工指定邻域半径(Eps)和点数阈值(Minpts),且均为全局参数,导致聚类准确率低.针对此问题,为了提高经典DBSCAN聚类算法的聚类准确率,基于网格划分思想,提出了一种局部自适应DBSCAN聚类算法.根据数据集自身特征生成网格空间,将特征数据映射至相应的网格空间;利用高斯核函数估计每个网格区间的局部密度;联合多维度网格密度分布信息,寻找无连接或弱连接高密度网格之间的区域,同时统计同区域的波峰数量,从而自适应确定各区域的Eps及Minpts参数;使用每个区域独有的参数作为DBSCAN算法输入,并进行聚类.实验结果表明,该算法能够在聚类过程中自适应确定每个局部区域的Eps和Minpts参数,聚类准确率高且耗时较低.

关键词：网格、非均匀、高斯核、局部自适应、DBSCAN算法

所属期刊栏目：34

分类号：TP391;TM83(计算技术、计算机技术)

资助基金：校企合作项目SET2019062700

在线出版日期：2022-05-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：250-257