菜单
　　

    2.2  聚类分析算法的分类
        聚类分析算法一般分为以下几类:划分方法、层次法基于密度的方法、基于网格的方法，基于模型的方法。聚类方法的分类如图2.1所示。
     自下而上  自上而下                       统计学方法 神经网络                                  
                                                    DBSCAN
                                                   BIRCH
    CLARANS      PAM
                                                    CLIQUE           COBWEB      SOM
      CURE       DBNCLUE   WaveCluster
      图2.1  聚类算法的分类

    2.2.1  划分方法
    给定一个具有 个变量的数据集，利用划分法将数据分成K个分组，其中满足 。对于给定的k，算法首先给出一个原始的划分方法，之后通过反复迭代方法改变划分，使得每一次改进之后的划分方案都比前一次好。划分聚类中比较流行的算法有k-means算法、k-medoids算法、CLARANS算法。K-means算法的分析在下章节中详尽的讲解。
    2.2.2  层次方法
        层次分解可以分为自底向上和自顶向下两个方向。典型算法有BIRCH算法和CURE算法。层次聚类的缺陷表现在聚类过程要按照先前的规则分类，层次方法对孤立点和噪声敏感。
    Birch算法：该算法使用了特殊的CF-树（Clustering Feature Tree）分层结构，对数据进行聚类。CF-树是一个加权平衡树，它包含了层次方法中的聚类特征信息，CF-树存储于一个聚类特征树里。特征数有两个参数，即每个节点的包含最大的子节点数和子聚类的范围。有数据运行时，程序自动构建树结构，把数据加到聚类中。Birch算法不能很好的运算大型数据集，因此需通过构建初始聚类树来对数据进行预聚类，再采取其他的聚类算法对数据聚类。该算法对输入数据的顺序很敏感，并且算法的效率高。
    Cure算法：算法选择基于质心和基于代表对象方法之间的中间策略。该算法使用多个代表点来定义一个类，这些代表点能够描述类的形状和大小，一旦确定了代表点，他们就向类中心收缩，因此，该算法能够识别非球形状的类。
    2.2.3  基于密度的方法
        基于密度的聚类方法是以球形聚类的，此方法可用来处理孤立点数据。此方法中，只要临近区域的数据数目大过某个值，就把他加到相近的聚类里去，每个给定的区域必须有一组数据。典型的算法有DBSCAN算法、OPTICS算法和CLIQUE算法等。
    DBSCAN算法：是一种典型基于密度的聚类方法。
    DBSCAN（D, Eps, MinPts）
    Begin
    init C=0;
    for each unvisited point p in D
    mark p as visited;
  1. 上一篇：Web服务发布技术研究+文献综述
  2. 下一篇：C#利用网络模拟基本电话业务

  1. 基于MATLAB的图像增强算法设计

  2. 基于Kinect的手势跟踪与识别算法设计

  3. 基于核独立元分析的非线...

  4. JAVA+MYSQL《算法与数据结构...

  5. STM32的μC/OS-II的分析与改进

  6. php快递公司效益分析系统的设计与实现

  7. 神经网络算法在核素识别中的应用研究

  8. java+mysql车辆管理系统的设计+源代码

  9. 河岸冲刷和泥沙淤积的监测国内外研究现状

  10. 杂拟谷盗体内共生菌沃尔...

  11. 中考体育项目与体育教学合理结合的研究

  12. 酸性水汽提装置总汽提塔设计+CAD图纸

  13. 十二层带中心支撑钢结构...

  14. 大众媒体对公共政策制定的影响

  15. 电站锅炉暖风器设计任务书

  16. 乳业同业并购式全产业链...

  17. 当代大学生慈善意识研究+文献综述

　　

About

751论文网手机版...

主页：http://www.751com.cn

关闭返回