一种改进的自适应快速AF-DBSCAN聚类算法

摘要：

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。

关键词：密度聚类、DBSCAN、区域查询、全局参数、KNN分布、数学统计分析

所属期刊栏目：11

分类号：TP181(自动化基础理论)

资助基金：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．

在线出版日期：2016-04-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：93-98