發(fā)布時(shí)間：2024-05-07 22:58

　　隨著大數(shù)據(jù)時(shí)代的到來(lái)和人工智能的逐漸成熟,尋求分析和利用大規(guī)模原始數(shù)據(jù)并從中發(fā)掘價(jià)值信息的方式是學(xué)術(shù)界的研究重點(diǎn)。聚類技術(shù)在數(shù)據(jù)挖掘中占據(jù)重要地位,由海量數(shù)據(jù)中獲取數(shù)據(jù)潛在內(nèi)部結(jié)構(gòu)是當(dāng)下人工智能領(lǐng)域的重點(diǎn)研究任務(wù)。截至目前,無(wú)監(jiān)督學(xué)習(xí)領(lǐng)域主要包括兩類最具競(jìng)爭(zhēng)力聚類技術(shù),一是密度峰值聚類(Clustering by Fast Search and Find of Density Peaks,DPC)算法,二是基于密度帶有噪聲的空間聚類(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)算法。但上述算法依然有一定不足:(1)采取密度峰值聚類算法時(shí)必須通過(guò)手動(dòng)設(shè)置截?cái)嗑嚯x參數(shù);(2)密度峰值聚類算法需手動(dòng)圈出聚類中心點(diǎn);(3)基于密度帶有噪聲的空間聚類算法存在全局參數(shù)聚類半徑Eps需人工設(shè)定的問(wèn)題。結(jié)合以上問(wèn)題,對(duì)其提出針對(duì)性整改意見(jiàn):(1)采取基于密度帶有噪聲的空間聚類算法時(shí),必須通過(guò)人工設(shè)定獲取全局參數(shù)聚類半徑Eps,對(duì)于該問(wèn)題提出一種改進(jìn)的基于密度帶有噪聲空間聚類(Improved Density-Ba...

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.2決策圖中聚類中心數(shù)難以確定的例子在ρ、δ中挑選樣本較大者作為聚類中心，并聚類余下樣本，即將其列入密

2.2決策圖中聚類中心數(shù)難以確定樣本較大者作為聚類中心，并聚類近距離更近的樣本所在的類中，直取一步分配策略后，效率得到顯圖，該算法達(dá)到了通過(guò)二維平面呈

圖2.3γ數(shù)值變化情況

圖2.3γ數(shù)值變化情況代表指標(biāo)集，縱軸代表γ數(shù)值：γ數(shù)值由非聚類中心轉(zhuǎn)至聚類中心時(shí)出現(xiàn)跳

圖3.1spiral數(shù)據(jù)集k-dist圖

圖3.1spiral數(shù)據(jù)集k-dist圖DBSCAN算法能夠運(yùn)用繪制降序k-dist圖的可視想”值無(wú)限接近；不過(guò)仍會(huì)因?yàn)榧?xì)小差距，導(dǎo)致ts以后，通過(guò)以下方式對(duì)DBSCAN算法在輸入?yún)?/span>

圖3.2聚類結(jié)果對(duì)比

（c）aggregation數(shù)據(jù)集聚類結(jié)果（d）flame數(shù)據(jù)集聚類結(jié)果圖3.2聚類結(jié)果對(duì)比通過(guò)對(duì)UCI數(shù)據(jù)集聚類，從上述四組聚類結(jié)果可以清晰看出，DBSCAN算法和DPC算法對(duì)一些數(shù)據(jù)集無(wú)法得到合理的結(jié)果，而CS-DBSCAN算法在測(cè)試的數(shù)據(jù)集上得到的聚類結(jié)果，基本反映數(shù)據(jù)的....

本文編號(hào)：3967116