数据分区:一种改善基于密度的聚类算法的方法

摘要

数据聚类（ｃｌｕｓｔｅｒｉｎｇ）在数据挖掘、模式识别、图象处理和数据压缩等领域有着广泛的应用。ＤＢＳＣＡＮ算法是一种基于密度的空间聚类算法，在处理空间数据时具有快速、能够处理噪声点和发现任意形状的聚类等优点。但由于直接对数据库进行操作，需要较多的内存和Ｉ／Ｏ时间，并且当数据密度和聚类间的距离不均匀时聚类质量较差。该文在分析原有ＤＢＳＣＡＮ算法不足的基础上，提出用数据分区来改善ＤＢＳＣＡＮ算法。实验结果表明新算法不仅提高了聚类速度，而且改善了聚类质量。