一种基于逆近邻和影响空间的DBSCAN聚类分析算法
2022-02-19刘宏凯张继福
计算机应用与软件 2022年2期
刘宏凯 张继福
(太原科技大学计算机科学与技术学院 山西 太原 030024)
0 引 言
作为数据挖掘和机器学习的主要研究分支之一,聚类分析是一种广泛使用的无监督学习技术。聚类分析[1]在没有使用任何先验知识情况下,侧重于将数据集中的数据对象聚到簇中,目的是使簇内的数据对象相似性最大,并使不同簇间的数据对象相似性最小。基于密度的聚类算法[2]是一种典型聚类分析方法,其具有处理和识别噪声的能力,发现具有任意形状的簇和自动识别簇的能力等优点,并广泛地应用于化学[3]、模式识别[4]、图像处理[5]、机器学习[6]和生物学[7]等领域。
DBSCAN(Density-Based Spatial Clustering of Applications with Noise)作为一类有代表性的密度聚类分析方法,具有聚类速度快、预设参数对聚类结果的影响小和有效识别噪声对象等优点[8]。但其在聚类簇扩展过程中,由于核心对象的K近邻与逆近邻并集中包含的其他核心对象[8]可能属于不同密度的相邻聚类簇,并将原本属于不同密度簇的核心对象聚到同一个聚类簇中,从而造成在聚类簇扩展过程中,无法区分不同密度的相邻聚类簇,未能有效地体现真实的数据分布。本文采用逆近邻和影响空间相结合的思想,提出了一种密度聚类分析方法。该方法利用了逆近邻和影响空间形成聚类簇,数据对象与其影响空间中其他核心对象的邻域关系是对称的,从而保证了同一影响空间中核心对象属于同一密度的聚类簇,能够较好地估计邻域密度分布,并识别出不同密度的相邻聚类簇。……
登录APP查看全文
