提出了一類具有自適應(yīng)參數(shù)的改進(jìn)DBSCAN聚類算法,并應(yīng)用于發(fā)現(xiàn)證券市場中關(guān)聯(lián)基金賬戶所組成的信息群落.算法針對傳統(tǒng)算法中半徑參數(shù)ε敏感度高,對于多層密度數(shù)據(jù)集難以選擇全局參數(shù)而導(dǎo)致聚類結(jié)果差等缺點進(jìn)行了改進(jìn),此外還基于實際市場數(shù)據(jù)特征,自定義了刻畫兩個基金間相似程度的綜合距離,使得改進(jìn)算法能更好地應(yīng)用在解決實際問題上.最后通過基于模擬數(shù)據(jù)和實際數(shù)據(jù)的數(shù)值實驗,驗證了改進(jìn)算法的有效性. 

【文章來源】：高校應(yīng)用數(shù)學(xué)學(xué)報A輯. 2020,35(02)北大核心

【文章頁數(shù)】：12 頁

【部分圖文】：

OPTICS聚類(左:數(shù)據(jù)集;右:山谷圖)

為了反映針對ε的改進(jìn)算法2在多密度數(shù)據(jù)集合中的聚類效果,構(gòu)造了如圖2所示的二維數(shù)據(jù)點集合.該數(shù)據(jù)集含有三個類,包括一個高密度類C1(“+”),一個中密度類C2(“?”)以及一個低密度的環(huán)狀結(jié)構(gòu)類C3(“”),此外包含了a,b和c三個噪聲點(“·”).對于DBSCAN傳統(tǒng)算法與改進(jìn)算法,統(tǒng)一取M=4,分別取ε=εc=0.5,0.8進(jìn)行聚類.聚類結(jié)果見圖3和圖4.

實驗結(jié)果圖中,“+”代表第一類中的數(shù)據(jù)點,“?”代表第二類中的數(shù)據(jù)點,“”代表第三類中的數(shù)據(jù)點,“·”代表噪聲點.如圖3所示,ε=0.5時傳統(tǒng)算法成功識別了三類,沒能識別出離群噪聲點c,并將其歸為C2類.如圖4所示,ε=0.8時傳統(tǒng)算法將C1和C3以及噪聲點a都?xì)w入了同一類同時噪聲點c也被歸入了C2類.但兩種情況改進(jìn)算法都正確進(jìn)行了聚類,同時發(fā)現(xiàn)不同εc并沒有導(dǎo)致聚類結(jié)果的改變,可見改進(jìn)算法對于輸入?yún)?shù)的依賴性不大.此外,改進(jìn)算法得到的類標(biāo)簽(符號)正好對應(yīng)從大到小排列的類密度.這有助于更全面地了解數(shù)據(jù)集的分布性質(zhì).圖4 ε=εc=0.8時的聚類結(jié)果(左:傳統(tǒng)算法;右:改進(jìn)算法)

【參考文獻(xiàn)】：
期刊論文
[1]DBSCAN算法中參數(shù)的自適應(yīng)確定[J]. 李宗林,羅可.  計算機工程與應(yīng)用. 2016(03)
[2]SA-DBSCAN:一種自適應(yīng)基于密度聚類算法[J]. 夏魯寧,荊繼武.  中國科學(xué)院研究生院學(xué)報. 2009(04)



本文編號：3115902