基于相异性选择的密度聚类算法研究  

Research of Density-Based Clustering Algorithm Based on Dissimilarity Selection

作　　者：胡文瑜[1] 孙志挥[1] 周晓云[1] 

机构地区：[1]东南大学计算机科学与工程系

出　　处：《小型微型计算机系统》2006年第9期1601-1604,共4页Journal of Chinese Computer Systems

基　　金：国家自然科学基金项目(70371015)资助;教育部高等学校博士点科研基金项目(20040286009)资助;福建省教育厅科技项目(JA05307)资助

摘　　要：在最优K相异性算法(OptiSim)的基础上,提出一种扩展的最优K相异性算法(EOptiSim),由于EOptiSim在处理组合数据库和分布式数据库方面能弥补基本的OptiSim方法的不足,所以通过在DBSCAN算法之前应用OptiSim或EOptiSim多样化代表性子集选择技术,在显著降低I/O耗费和内存需求的同时,不仅能够有效地聚类单一的大规模空间数据库,而且还能聚类大规模组合数据库或分布式数据库.实验结果表明本文的算法是可行、有效的.In this paper, a extending Optimizable k-Dissimilarity selection method, EOptiSim is proposed based on the original OptiSim algorithm. EOptiSim can fetch up the weakness of the original OptiSim processing the combinatorial library and distributed database. The application of the diverse representative subset selection method of OptiSim or EOptiSim before DB- SCAN can deal with not only a single large-scale database but also the combinatorial library or distributed database while reducing the cost of I/O and memory. The experimental results show that the novel algorithm is effective and efficient.

关 键 词：聚类分析 多样化代表性子集选择 相异性选择算法 密度聚类算法 

分 类 号：TP311[自动化与计算机技术—计算机软件与理论] TP18[自动化与计算机技术—计算机科学与技术]