典型文献
融合网格划分和DBSCAN的改进聚类算法
文献摘要：
针对基于密度的噪声应用空间聚类算法(density based spatial clustering of applications with noise,DBSCAN)计算复杂度较高以及无法聚类多密度数据集等问题,提出了一种网格聚类算法和DBSCAN相结合的融合聚类算法(G_FDBSCAN).利用网格划分技术将数据集划分为稀疏区域和密集区域,分而治之,降低计算的时间复杂度和采用全局参数引起的聚类误差;改进传统的DBSCAN聚算法得到FDBSCAN,将密集区域中网格聚类的结果作为一个整体参与后续的聚类,在网格划分基础上进行邻域检索,减少邻域检索和类扩展过程中对象的无效查询和重复查询,进一步减少时间开销.理论分析和实验测试表明,改进后的算法与DBSCAN算法、DPC算法、KMEANS算法、BIRCH算法和CBSCAN算法相比,在聚类结果接近或达到最优的情况下,聚类效率分别平均提升了24倍、11倍、2倍、3倍和1倍.
文献关键词：
密度聚类;网格聚类;计算复杂度;大规模数据集
中图分类号：
作者姓名：
孙璐;梁永全
作者机构：
山东科技大学 计算机科学与工程学院,山东 青岛 266590
文献出处：
引用格式：
[1]孙璐;梁永全-.融合网格划分和DBSCAN的改进聚类算法)[J].计算机工程与应用,2022(14):73-79
A类：
FDBSCAN,KMEANS,CBSCAN
B类：
网格划分,改进聚类算法,基于密度的噪声应用空间聚类算法,density,spatial,clustering,applications,noise,计算复杂度,网格聚类算法,数据集划分,密集区域,分而治之,时间复杂度,中网,一个整,邻域,复查,减少时间,开销,实验测试,测试表明,DPC,BIRCH,密度聚类,大规模数据集
AB值：
0.328354
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。
