基于簇特征的增量聚类算法设计与实现

doi:10.3778/j.issn.1002-8331.2010.24.040

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (24): 132-134.DOI: 10.3778/j.issn.1002-8331.2010.24.040

• 数据库、信号与信息处理 • 上一篇下一篇

基于簇特征的增量聚类算法设计与实现

孟海东¹，王淑玲²，郝永宽²

1.内蒙古科技大学资源与安全工程学院，内蒙古包头 014010
2.内蒙古科技大学信息工程学院，内蒙古包头 014010

收稿日期:2009-02-03 修回日期:2009-04-01 出版日期:2010-08-21 发布日期:2010-08-21
通讯作者: 孟海东

Design and implementation of incremental clustering algorithm based on cluster feature

MENG Hai-dong¹，WANG Shu-ling²，HAO Yong-kuan²

1.School of Resource and Safety Engineering，Inner Mongolia University of Science and Technology，Baotou，Inner Mongolia 014010，China
2.School of Information Engineering，Inner Mongolia University of Science and Technology，Baotou，Inner Mongolia 014010，China

Received:2009-02-03 Revised:2009-04-01 Online:2010-08-21 Published:2010-08-21
Contact: MENG Hai-dong

摘要/Abstract

摘要： 对于大型数据库，如空间数据库和多媒体数据库，传统聚类算法的有效性和可扩展性受到限制。通过动态增量的方法，在基于密度和自适应密度可达聚类算法的基础上，根据BIRCH算法中聚类特征的概念，利用簇特征设计与实现了一种新的动态增量聚类算法，解决了大型数据库聚类的有效性以及空间和时间复杂度问题。理论分析和实验结果证明该算法能够有效地处理大型数据库，使聚类算法具有良好的可扩展性。

Abstract: For very large databases，such as spatial database and multimedia database，the traditional clustering algorithms are of weaknesses in effectiveness and scalability.According to the notion of clustering feature of BIRCH，a dynamic and incremental clustering algorithm is designed and implemented，which solves the problems of effectiveness，space and time complexities of clustering algorithms for large databases.Theoretic analysis and experimental results demonstrate that the dynamic and incremental clustering algorithm can not only handle large databases，but also has good scalability.

中图分类号:

TP301

孟海东¹，王淑玲²，郝永宽². 基于簇特征的增量聚类算法设计与实现[J]. 计算机工程与应用, 2010, 46(24): 132-134.

MENG Hai-dong¹，WANG Shu-ling²，HAO Yong-kuan². Design and implementation of incremental clustering algorithm based on cluster feature[J]. Computer Engineering and Applications, 2010, 46(24): 132-134.

[1]	高芳^1，2，韩璞¹，翟永杰¹. 基于变异操作的蚁群算法用于连续函数优化[J]. 计算机工程与应用, 2011, 47(4): 5-8.
[2]	赵东旭，乐晓波. 采用改进的进化策略优化模糊Petri网参数[J]. 计算机工程与应用, 2011, 47(4): 29-32.
[3]	宋小震^1，2，韩召伟¹，李永明³. 量子上下文无关文法的代数性质[J]. 计算机工程与应用, 2011, 47(4): 42-46.
[4]	黄敏镁. 粒子群算法在物流中心选址中的应用[J]. 计算机工程与应用, 2011, 47(4): 212-214.
[5]	党正军，杜中军. 基于图裁减和图搜索的工作流图验证算法[J]. 计算机工程与应用, 2011, 47(4): 226-228.
[6]	刘君^1，2，熊忠阳¹，王银辉¹. 改进型动态隧道神经网络在蛋白质预测的应用[J]. 计算机工程与应用, 2011, 47(3): 13-16.
[7]	刘琼荪，范瑞雅. 确定高斯核参数的聚类方法[J]. 计算机工程与应用, 2011, 47(3): 38-40.
[8]	韩召伟^1，2，韩召莹³. Lukasiewicz逻辑值上下文无关语言的代数刻画[J]. 计算机工程与应用, 2011, 47(3): 47-50.
[9]	戴海鹏，唐厚君. 求凸多边形直径的改进算法[J]. 计算机工程与应用, 2011, 47(3): 44-46.
[10]	李强，刘国栋. 多移动机器人的组队规划研究[J]. 计算机工程与应用, 2011, 47(2): 242-245.
[11]	陈应显. 基于模糊集的蚁群空间聚类方法研究[J]. 计算机工程与应用, 2011, 47(2): 5-7.
[12]	崔明义. 小波分解的浮点数编码遗传算法消噪变异研究[J]. 计算机工程与应用, 2011, 47(2): 35-37.
[13]	于勇¹，张亚²，郭希娟²，封雪². 基于成功回路的凹多面体的剖分算法[J]. 计算机工程与应用, 2011, 47(2): 41-42.
[14]	汪保，孙秦. 求解非线性方程组的一种并行算法[J]. 计算机工程与应用, 2011, 47(2): 49-51.
[15]	林时来，刘光远，张慧玲. 蚁群算法在呼吸信号情感识别中的应用研究[J]. 计算机工程与应用, 2011, 47(2): 169-172.

基于簇特征的增量聚类算法设计与实现

Design and implementation of incremental clustering algorithm based on cluster feature

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