网格聚类算法

被引：27

作者：

赵慧

刘希玉

崔海青

机构：

[1] 山东师范大学管理与经济学院

来源：

计算机技术与发展 | 2010年 / 20卷 / 09期

关键词：

聚类分析; 聚类算法; 网格; 基于网格的聚类算法;

D O I：

暂无

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

聚类分析有广泛的应用,是数据挖掘中非常重要的方法。聚类分析算法有多种分类,每种方法在不同领域发挥了不同的作用。以研究网格聚类算法为目的,介绍了聚类分析算法的要求以及常见的聚类算法;针对基于网格方法的聚类算法进行专门研究,比较分析了传统的和改进的基于网格方法的聚类算法。介绍的各种网格聚类算法都有自身的优点和不足。通过对这些网格聚类算法的学习便于深入研究网格聚类算法,以便将其与实际问题相结合,设计更好的算法。

引用

页码：83 / 85+89 +89

页数：4

共 17 条

[11]

数据挖掘[M]. 机械工业出版社 , (加)JiaweiHan,（加）MichelineKamber著, 2001

[12] Clustering in dynamic spatial databases [J].

Zhang, J ;

Hsu, W ;

Lee, M .

JOURNAL OF INTELLIGENT INFORMATION SYSTEMS, 2005, 24 (01) :5-27

[13]

Data clustering[J] . A. K. Jain,M. N. Murty,P. J. Flynn.ACM Computing Surveys （CSUR） . 1999 (3)

[14]

Entropy-based subspace clustering for mining numerical data. Chun-hung Cheng, Ada Wai-chee Fu, Yi Zhang. Proceedings of the 5th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining . 1999

[15]

STING: A statistical information grid approach to spatial data mining. Wang W, Yang J, Muntz RR. Proceedings of the 23rd International Conference on Very Large Data Bases . 1997

[16] 一种基于网格和密度的微粒群混合聚类算法 [J].

单世民 ;

邓贵仕 ;

何英昊 .

计算机科学, 2006, (11) :164-165+187

[17] 基于密度的增量式网格聚类算法(英文) [J].

陈宁 ;

陈安 ;

周龙骧 .

软件学报, 2002, (01) :1-7

← 1 2 →