基于兩階段的聚類邊界檢測算法的研究.pdf

1、隨著科學技術的發(fā)展與創(chuàng)新,信息技術及計算機技術給社會帶來極大的進步,數據庫的信息量也隨著增長,形成了大量多元化數據,并蘊含豐富的信息。數據挖掘便是一種能夠快速有效的幫助我們從這些大量的多元數據中提取出有效信息的技術。聚類分析是數據挖掘的重要組成部分之一,在任何分析含有多元數據的領域中都很普遍。而聚類邊界檢測在圖像處理、機器學習和實際應用中具有重要的作用,但對聚類邊界檢測研究還處于起步階段。準確地檢測聚類邊界有助于提高聚類或分類的精度,也

2、能對邊界數據的特征進行深入研究。
　　 本文在分析現有聚類邊界檢測算法的基礎上,先求得候選邊界集,然后再確定聚類的精確邊界,基于這種逐步求精的思想,提出了兩種新的聚類邊界檢測算法:基于雙閾值分割的聚類邊界檢測算法(BDDTS)和基于改進的harris算子的邊界檢測方法(BDHO)。
　　 BDDTS邊界檢測算法根據數據點的準則函數值的不同,利用高低兩個閾值將數據對象分為聚類的內部點、中間點和外部點三個點集,然后從中間點集

3、中去除內部點,并與外部點集合并,形成了候選邊界集。再對候選邊界集進行二次處理,得到比較精確的邊界。實驗結果表明,該算法可以快速有效的檢測任意形狀、任意大小和不同密度的聚類邊界點,在真實數據和高維數據集上同樣適用。同時,算法參數也易于選取。
　　 BDHO邊界檢測算法以圖像處理中的harris算子為基礎。先選取一個參考方向,然后通過角度信息選取另一個方向,計算這兩個方向上數據點的方向變化率,根據改進的harris算子的思想,計算這