一种基于参考点的快速密度聚类算法

闫安; 刘琪林

Chinese

您当前的位置：

首页 >

文章列表页 >

一种基于参考点的快速密度聚类算法

更新时间：2026-09-04

- 一种基于参考点的快速密度聚类算法
- A Fast Density Clustering Algorithm Based on Reference
- 微电子学与计算机 2017年34卷第10期页码：32-35
- 作者机构：
  
  合肥工业大学管理学院,安徽,合肥,230000
- 作者简介：
- 基金信息：
  
  安徽省教育厅人文社会科学基地资助项目 2010SK028
- DOI：
  中图分类号：
- 纸质出版：2017
- 稿件说明：
移动端阅览
闫安, 刘琪林. 一种基于参考点的快速密度聚类算法[J]. 微电子学与计算机, 2017, 34(10): 32-35, 41.

YAN An, LIU Qi-lin. A Fast Density Clustering Algorithm Based on Reference[J]. 2017, 34(10): 32-35.
闫安, 刘琪林. 一种基于参考点的快速密度聚类算法[J]. 微电子学与计算机, 2017, 34(10): 32-35, 41. DOI：

YAN An, LIU Qi-lin. A Fast Density Clustering Algorithm Based on Reference[J]. 2017, 34(10): 32-35. DOI：

摘要

提出了一种基于个参考点DCUR (Density-based Clustering Using k References). 新算法以个参考点反应了数据的分布状态

然后基于参考点对数据进行聚类分析.该算法保持了DBSCAN的优点

并且可以减少区域查询次数

降低I/O开销.理论和实验证明新算法能够有效地对大规模数据库进行聚类

且其执行效率明显高于传统的基于*树的DBSCAN算法.

Abstract

In this paper

a new kind of clustering algorithm that is called DCUR (density-based clustering using k references) is presented. Innovative point is that the new algorithm to k references response data Distribution

and then analyzes the data based on the k references. DCUR keeps the ability of density based clustering methods good features

and it can reach high efficiency and the execution frequency of region query can be decreased

and consequently the I/O cost is reduced

so the new algorithm can reach high efficiency and reduce the complexity of the algorithm. Both theory analysis and experimental results confirm that DCUR is effective and efficient in clustering large-scale database

and its executing efficiency is much higher than traditional DBSCAN algorithm based on R*-tree.

关键词

Keywords

references

Ng R, Han J. Efficient and effective clustering methods for spatial data mining[C]//Proc. of the 20th Conference on VLDB. Santiago, Chile, 1994: 144-155.

New York Kaufan L, Rousseeuw P J. Finding groups in data: an Introduction to cluster analysis[M]. New York: John Wiley and Son, NY, 1990: 145-193. DOI: 145

Ester M, Kriegel H P, Sander J, et al. A density based algorithm for discovering clusters in large spatial databases with noise[C]//Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining. Portland: AAAI Press, 1996: 226-231.

Guhas Rastogir, Shim K. Cure: an efficient data clustering method for very large databases[C]//Proceedings of the ACM SIGMOD international conference on Management of data. New York, ACM Press, 1996: 103-114.

许虎, 王治和. 一种改进的基于密度的聚类算法[J]. 微电子学与计算机, 2012, 29(2): 44-53. DOI: 44

曾依灵, 许洪波, 白硕. 改进的OPTICS算法以及其在文本聚类中的应用[J]. 中文信息学报, 2008, 22(1): 51-55. DOI: 51

管涛. 统计聚类模型研究综述[J]. 计算机科学, 2012, 39(7): 18-24. DOI: 18

郝晓丽, 张靖. 基于改进自适应聚类算法的RBF神经网络分类器设计与实现[J]. 计算机科学, 2014, 41(6): 260-263. DOI: 260

周开乐, 杨善林, 丁帅, 等. 聚类有效性研究综述[J]. 系统工程理论与实践, 2014, 34(9): 2417-2431. DOI: 2417

赵杰, 杨柳. 聚类分析算法dBscan的改进与实现[J]. 微电子学与计算机, 2009, 26(11): 190-192. DOI: 190

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

注意力机制与改进密集卷积引导的信息隐藏模型

基于反向体偏置的高增益稳定性高温运放设计

一种基于特征上下文理解与切片分析的肺结核检测算法

超低功耗实时时钟电路的设计

低功耗设计的双链电源关断策略的实现与验证