扩散模式的聚类算法研究

doi:10.3778/j.issn.1002-8331.2011.02.038

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (2): 121-123.DOI: 10.3778/j.issn.1002-8331.2011.02.038

• 数据库、信号与信息处理 • 上一篇下一篇

扩散模式的聚类算法研究

黄俊恒¹，孙玉山²，朱东杰²

1.哈尔滨工业大学（威海）计算机与科学技术学院，山东威海 264209
2.哈尔滨工业大学（威海）软件学院，山东威海 264209

收稿日期:2009-05-18 修回日期:2009-07-08 出版日期:2011-01-11 发布日期:2011-01-11
通讯作者: 黄俊恒

Research of clustering algorithm based on diffusion model

HUANG Junheng¹，SUN Yushan²，ZHU Dongjie²

1.Department of Computer Science & Technology，Harbin Institute of Technology，Weihai，Shandong 264209，China
2.School of Software，Harbin Institute of Technology，Weihai，Shandong 264209，China

Received:2009-05-18 Revised:2009-07-08 Online:2011-01-11 Published:2011-01-11
Contact: HUANG Junheng

摘要/Abstract

摘要： 针对各种扩散模式数据点分布的聚类问题，提出了一种基于密度变化的聚类算法（CDD）。CDD采用基于密度的典型聚类算法（DBSCAN）寻找核心点，通过分析数据样本及其周围点密度的扩散规律，计算密度扩散的方向、速度和加速度，对数据样本进行聚类。实验结果表明：与DBSCAN相比，能准确对扩散模式数据进行聚类，对非扩散模式数据具有抗噪声干扰能力强，参数较易确定的优点。

关键词: 聚类, 数据挖掘, 扩散模式

Abstract: Aiming at the various distribute clustering problems in diffusion model for all data points，a new clustering algorithm（CDD） based on the change of density is proposed.CDD searches the core point using a typical clustering algorithm（DBSCAN） based on the density，it calculates the direction，speed and acceleration of density diffused through analyzing the diffusion rule of data sample and its around the point’ density，then completes the sample points’ clustering.The experimental results show that compared with DBSCAN，CDD can cluster the diffusion model accurately，and has strong anti-noise-interference ability for the non-diffusion model which makes it easier to determine the merits of the parameters.

Key words: clustering, data mining, diffusion model

中图分类号:

TP181

黄俊恒¹，孙玉山²，朱东杰². 扩散模式的聚类算法研究[J]. 计算机工程与应用, 2011, 47(2): 121-123.

HUANG Junheng¹，SUN Yushan²，ZHU Dongjie². Research of clustering algorithm based on diffusion model[J]. Computer Engineering and Applications, 2011, 47(2): 121-123.

[1]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[2]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[3]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[4]	杨芳，尹曦，司建辉，刘宏媛，汪雪. 基于侧重点聚类的数学表达式相似度计算方法[J]. 计算机工程与应用, 2021, 57(6): 88-93.
[5]	宗晓萍，陶泽泽. 基于掌握速度的知识追踪模型[J]. 计算机工程与应用, 2021, 57(6): 117-123.
[6]	赵凡，张琳，闻治泉，杨林林，蔺广逢. 一种直接高效的自然场景汉字逼近定位方法[J]. 计算机工程与应用, 2021, 57(6): 159-167.
[7]	霍光煜，张勇，孙艳丰，尹宝才. 基于语义的档案数据智能分类方法研究[J]. 计算机工程与应用, 2021, 57(6): 247-253.
[8]	彭启慧，宣士斌，高卿. 分布的自动阈值密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(5): 71-78.
[9]	李勇振，廖湖声. 基于图卷积神经网络的多视角聚类[J]. 计算机工程与应用, 2021, 57(5): 115-122.
[10]	王昌龙，张远东，缪宏，杨煜恒. 双通道卷积神经网络在南瓜病害识别上的应用[J]. 计算机工程与应用, 2021, 57(5): 183-189.
[11]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[12]	王俊玲，卢新明. 基于语义相关的视频关键帧提取算法[J]. 计算机工程与应用, 2021, 57(4): 192-198.
[13]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[14]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[15]	陈俊丰，郑中团. WKMeans与SMOTE结合的不平衡数据过采样方法[J]. 计算机工程与应用, 2021, 57(23): 106-112.

扩散模式的聚类算法研究

Research of clustering algorithm based on diffusion model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics