空間聚類算法的研究.pdf

1、信息技術(shù)的不斷發(fā)展導(dǎo)致持續(xù)的數(shù)據(jù)收集和快速的數(shù)據(jù)積累.空間數(shù)據(jù)挖掘是在空間數(shù)據(jù)庫(kù)中提取隱藏的未知模式,而空間聚類是空間數(shù)據(jù)挖掘中一個(gè)活躍的研究領(lǐng)域. 本文第一部分提出了一種新穎的啟發(fā)式選擇邊界對(duì)象的快速空間聚類算法DBSB,通過(guò)一個(gè)啟發(fā)式函數(shù)近似選擇相對(duì)于某個(gè)已知核心對(duì)象邊界區(qū)域中的核心對(duì)象和邊界對(duì)象,通過(guò)核心對(duì)象的序列來(lái)快速地?cái)U(kuò)展它們所在的簇,直至找到一些較小的簇.在此基礎(chǔ)上再通過(guò)邊界對(duì)象快速地合并某些簇,即算法通過(guò)兩步聚類,

2、達(dá)到最終的聚類.理論分析和實(shí)驗(yàn)結(jié)果表明該算法有效可行. 隨著分布式計(jì)算環(huán)境的廣泛應(yīng)用,由于數(shù)據(jù)和計(jì)算能力分布在不同的節(jié)點(diǎn),本文第二部分設(shè)計(jì)了一種基于反向k近鄰的分布式聚類算法DCRkNN,該算法在分布式數(shù)據(jù)挖掘的框架下利用反向k近鄰的性質(zhì),分三個(gè)不同的階段進(jìn)行分布式聚類.首先是局部模型的確立,通過(guò)局部模型來(lái)近似壓縮局部站點(diǎn)的數(shù)據(jù)集;其次在中央站點(diǎn)整合各分布的局部模型建立全局模型,最后根據(jù)全局模型更新所有局部模型.同時(shí)DCRkNN