一种改进的自适应快速AF-DBSCAN聚类算法
基于密度的DBSCAN聚类算法可以识别任意形状簇,但存在全局参数Eps与MinPts的选择需人工干预,采用的区域查询方式过程复杂且易丢失对象等问题,提出了一种改进的参数自适应以及区域快速查询的密度聚类算法。根据KNN分布与数学统计分析自适应计算出最优全局参数Eps与MinPts,避免聚类过程中的人工干预,实现了聚类过程的全自动化。通过改进种子代表对象选取方式进行区域查询,无需漏检操作,有效提高了聚类的效率。对4种典型数据集的密度聚类实验结果表明,本文算法使得聚类精度提高了8.825%,聚类的平均时间减少了0.92 s。
密度聚类、DBSCAN、区域查询、全局参数、KNN分布、数学统计分析
11
TP181(自动化基础理论)
国家自然科学基金资助项目61373126;江苏省产学研联合创新资金-前瞻性联合研究基金资助项目 BY2013015-33.
2016-04-25(万方平台首次上网日期,不代表论文的发表时间)
共6页
93-98