基于网格相对密度的多密度聚类算法

doi:10.3778/j.issn.1002-8331.2009.01.049

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (1): 156-158.DOI: 10.3778/j.issn.1002-8331.2009.01.049

• 数据库、信号与信息处理 • 上一篇下一篇

基于网格相对密度的多密度聚类算法

程国庆,陈晓云

福州大学数学与计算机科学学院，福州 350002

收稿日期:2007-12-25 修回日期:2008-03-03 出版日期:2009-01-01 发布日期:2009-01-01
通讯作者: 程国庆

Clustering algorithm for multi-density based on grid relative density

CHENG Guo-qing,CHEN Xiao-yun

College of Mathematics and Computer Science，Fuzhou University，Fuzhou 350002，China

Received:2007-12-25 Revised:2008-03-03 Online:2009-01-01 Published:2009-01-01
Contact: CHENG Guo-qing

摘要/Abstract

摘要： 提出网格相对密度的概念和边界点提取技术，在此基础上给出了一种多密度聚类算法。该算法使用网格相对密度识别具有不同密度聚簇的相对高密度网格单元，聚类时从相对高密度网格单元开始逐步扩展生成聚簇。实验结果表明，算法能有效地识别不同形状、不同密度的聚簇并对噪声数据不敏感，具有聚类精度高等优点。

关键词: 聚类, 多密度, 网格, 网格相对密度

Abstract: The concept of grid relative density（GRD） and boundary point extraction technique are proposed.Based on that，a clustering algorithm based on GRD for multi-density data sets（CM_GRD） is developed.In CM_GRD，GRD is used to identify relatively high density grid cells in clusters having different denstities.A clustering starts with one of relatively high density grid cells and then extends to its neighbors to form a cluster.Experiment results show that the proposed algorithm can discover clusters with various shapes and different densities and is insensitive to noise data.

Key words: clustering, multi-density, grid, grid relative density

程国庆,陈晓云. 基于网格相对密度的多密度聚类算法[J]. 计算机工程与应用, 2009, 45(1): 156-158.

CHENG Guo-qing,CHEN Xiao-yun. Clustering algorithm for multi-density based on grid relative density[J]. Computer Engineering and Applications, 2009, 45(1): 156-158.

[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]	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.
[5]	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.
[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]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	张忠林，赵昱，闫光辉. 自然邻居密度极值聚类算法[J]. 计算机工程与应用, 2021, 57(23): 200-210.
[15]	梅婕，魏圆圆，许桃胜. 基于密度峰值多起始中心的融合聚类算法[J]. 计算机工程与应用, 2021, 57(22): 78-85.

基于网格相对密度的多密度聚类算法

Clustering algorithm for multi-density based on grid relative density

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