基于密度复杂簇聚类算法研究与实现

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (35): 162-165.

基于密度复杂簇聚类算法研究与实现

宋宇辰¹,宋飞燕²,孟海东²

1.内蒙古科技大学经济管理学院，内蒙古包头 014010
2.内蒙古科技大学资源与安全工程学院，内蒙古包头 014010

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-12-11 发布日期:2007-12-11
通讯作者: 宋宇辰

Research and implementation of density based clustering algorithm for complex clusters

SONG Yu-chen¹,SONG Fei-yan²,MENG Hai-dong²

1.School of Economics and Management，Inner Mongolia Univ. of Science and Technology，Baotou，Inner Mongolia 014010，China
2.School of Resource and Safety engineering，Inner Mongolia Univ. of Sci. and Technology，Baotou，Inner Mongolia 014010，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-12-11 Published:2007-12-11
Contact: SONG Yu-chen

摘要/Abstract

摘要： 聚类算法在模式识别、数据分析、图像处理、以及市场研究的应用中，需要解决的关键技术是如何有效地聚类各种复杂的数据对象簇。在分析与研究现有聚类算法的基础上，提出了一种基于密度和自适应密度可达的改进算法。实验证明，该算法能够有效聚类任意分布形状、不同密度、不同尺度的簇；同时，算法的计算复杂度与传统基于密度的聚类算法相比有明显的降低。

关键词: 聚类算法, 复杂簇, 基于密度, 自适应密度可达

Abstract: For model recognition，data analysis，image processing，market research and so on，the key technique is to handle complexly distributed clusters efficiently.On the basis of analysis and research of traditional clustering algorithms，a clustering algorithm based on density and adaptive density-reachable is presented in this paper.Experimental results show that the algorithm can handle clusters of arbitrary shapes，sizes and densities.At the same time，this algorithm can evidently reduce time and space complexity as compared with other density-based algorithms.

Key words: clustering algorithm, complex cluster, density-based, adaptive density-reachable

宋宇辰¹,宋飞燕²,孟海东². 基于密度复杂簇聚类算法研究与实现[J]. 计算机工程与应用, 2007, 43(35): 162-165.

SONG Yu-chen¹,SONG Fei-yan²,MENG Hai-dong². Research and implementation of density based clustering algorithm for complex clusters[J]. Computer Engineering and Applications, 2007, 43(35): 162-165.

[1]	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.
[2]	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.
[3]	张子然，黄卫华，陈阳，章政，李梓远. 基于双向搜索的改进蚁群路径规划算法[J]. 计算机工程与应用, 2021, 57(21): 270-277.
[4]	丁松阳，田青云. Ball-Tree优化的密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(20): 90-96.
[5]	翁玉尚，肖金球，夏禹. 改进Mask R-CNN算法的带钢表面缺陷检测[J]. 计算机工程与应用, 2021, 57(19): 235-242.
[6]	白璐，赵鑫，孔钰婷，张正航，邵金鑫，钱育蓉. 谱聚类算法研究综述[J]. 计算机工程与应用, 2021, 57(14): 15-26.
[7]	相益萱，姜合，潘品臣，孙聪慧. 二次幂耦合的[K]-means聚类算法研究[J]. 计算机工程与应用, 2021, 57(14): 95-102.
[8]	韩纪普，段先华，常振. 基于SLIC和区域生长的目标分割算法[J]. 计算机工程与应用, 2021, 57(1): 213-218.
[9]	岳晓新，贾君霞，陈喜东，李广安. 改进YOLO V3的道路小目标检测[J]. 计算机工程与应用, 2020, 56(21): 218-223.
[10]	李杰其，胡良兵. 基于机器学习的设备预测性维护方法综述[J]. 计算机工程与应用, 2020, 56(21): 11-19.
[11]	孙志冉，苏航，梁毅. 一种改进的K-Prototypes聚类算法[J]. 计算机工程与应用, 2020, 56(21): 54-59.
[12]	郭永坤，章新友，刘莉萍，丁亮，牛晓录. 优化初始聚类中心的K-means聚类算法[J]. 计算机工程与应用, 2020, 56(15): 172-178.
[13]	贾露，张德生，吕端端. 物理学优化的密度峰值聚类算法[J]. 计算机工程与应用, 2020, 56(13): 47-53.
[14]	樊晓博，张慧军，张小龙. 企业日志数据的交互式可视分析方法研究[J]. 计算机工程与应用, 2019, 55(23): 248-256.
[15]	杨俊闯，赵超. K-Means聚类算法研究综述[J]. 计算机工程与应用, 2019, 55(23): 7-14.