典型文献
网格化局部自适应DBSCAN聚类算法
文献摘要：
经典DBSCAN(density based spatial clustering of applications with noise)算法需要人工指定邻域半径(Eps)和点数阈值(Minpts),且均为全局参数,导致聚类准确率低.针对此问题,为了提高经典DBSCAN聚类算法的聚类准确率,基于网格划分思想,提出了一种局部自适应DBSCAN聚类算法.根据数据集自身特征生成网格空间,将特征数据映射至相应的网格空间;利用高斯核函数估计每个网格区间的局部密度;联合多维度网格密度分布信息,寻找无连接或弱连接高密度网格之间的区域,同时统计同区域的波峰数量,从而自适应确定各区域的Eps及Minpts参数;使用每个区域独有的参数作为DBSCAN算法输入,并进行聚类.实验结果表明,该算法能够在聚类过程中自适应确定每个局部区域的Eps和Minpts参数,聚类准确率高且耗时较低.
文献关键词：
网格;非均匀;高斯核;局部自适应;DBSCAN算法
中图分类号：
作者姓名：
代少升;刘小兵;赖智颖;任忠
作者机构：
重庆邮电大学 通信与信息工程学院,重庆400065
文献出处：
引用格式：
[1]代少升;刘小兵;赖智颖;任忠-.网格化局部自适应DBSCAN聚类算法)[J].重庆邮电大学学报（自然科学版）,2022(02):250-257
A类：
B类：
网格化,局部自适应,DBSCAN,聚类算法,density,spatial,clustering,applications,noise,邻域半径,Eps,Minpts,网格划分,特征生成,特征数据,数据映射,高斯核函数,局部密度,网格密度,密度分布,分布信息,弱连接,时统,波峰,局部区域,非均匀
AB值：
0.368609
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
