数据挖掘聚类算法的分析和应用研究

研究生毕业论文DBSCAN就是一种基于密度的方法，该算法的显著优点是速度快，可以发现任意形状的聚类和噪声点。但是当数据量非常庞大时，该算法对主存要求较高；而且需要定义一个全局变量Eps，如果这个全局变量Eps定义的不好，将会影响聚类质量，尤其是数据分布不均匀时，因此DBSCAN对输入参数Eps是十分依赖的。论文在分析这些不足的基础上，对DBSCAN算法进行了改进，把“分而治之”的思想应用到该算法中。聚类前，先把数据划分成一个个网格，然后把网格分配给多个处理机进行并行聚类，最后再对各个处理机的局部聚类结果进行合并。这样，一方面降低了对主存的要求；另一方面，当数据分布不均匀时，全局变量Eps也不会影响聚类质量，因为每个网格采用单独的Eps值；并且