基于DBSCAN聚类算法的研究与实现

被引：78

作者：

荣秋生

颜君彪

郭国强

机构：

[1] 湖南文理学院计算机科学与技术系

[2] 湖南文理学院计算机科学与技术系湖南常德

[3] 湖南常德

来源：

计算机应用 | 2004年 / 04期

关键词：

数据挖掘; 聚类; 高密度; 网格; DBSCAN;

D O I：

暂无

中图分类号：

TP311 [程序设计、软件工程];

学科分类号：

081202 ; 0835 ;

摘要：

高密度聚类作为数据挖掘中聚类算法的一种分析方法,它能找到样本比较密集的部分,并且概括出样本相对比较集中的类。文中分析了传统的聚类算法及局限性,讨论了一个基于高密度聚类算法的实现过程,使得算法可自动发现高维子空间,处理高维数据表格,得到较快的聚类速度和最佳的聚类效果。

引用

页码：45 / 46+61 +61

页数：3

共 3 条

[1]

An efficient k-means clustering algorithm. Alsabti K,Ranka S,Singh V. IPPS- 98, Proceedings of the First Workshop on High Performance Date Mining . 1998

[2]

Database System Extensions for Decision Support:the AXL Approach. Wang HX,Zaniolo C. ACM SIGMOD Workshop on Research Issues in Data Mining and Knowledge Discovery . 2000

[3]

A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. Ester M,Kriegel HP,Sander J,et al. Proceedings 2nd International Conference on Knowledge Discovery and Data Mining . 1996

← 1 →