海洋数据下的密度自适应聚类算法

摘要：

针对DBSCAN算法需要人工设定参数,且数在对不同疏密度的数据敏感度较低以及处理多维多密度的海洋数据时鲁棒性欠佳的问题,提出一种基于K-均值模型的多密度自适应聚类算法AM-DBSCAN(adaptive multi-density DBSCANalgorithm).采用K-均值模型对数据进行初次聚类,分别以结果簇中距离最远两点的平均值及最小簇的样本数作为DB-SCAN算法中的邻域半径(Eps)及邻域样本阈值(Minpts);以最短路径原则改进DBSCAN算法中Eps邻域判定方式,提高算法全局的可靠性及稳定性.实验结果表明,相对于DBSCAN聚类算法,AMDBSCAN算法在处理密度不均的数据时在聚类准确度和聚类效率方面有所提升.

关键词：DBSCAN算法、K均值模型、参数自适应、密度自适应、海洋数据

所属期刊栏目：40

分类号：TP391(计算技术、计算机技术)

资助基金：广西可信软件重点实验室研究课题基金项目kx201724;桂林电子科技大学研究生教育创新计划基金项目2017YJCX48

在线出版日期：2019-10-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：2523-2529