论文研究一种基于网格密度与空间划分树的聚类算法.pdf

分析了目前基于目标函数聚类算法的不足，面对形状复杂且非重叠的样本聚类问题，定义了最邻近距离和生长树的概念。随机选取生长树初始种子点，以最邻近距离作为生长树生长的方向和样本划分依据，以最终生长树大小为聚

一种基于近似类抽样的组合聚类方法，陈新泉，，k-means聚类算法和FuzzyC-Means算法的时间复杂度，对于海量数据挖掘都还能让人接受，但聚类效果受初始化影响很大，以致结果很不稳定。�

为了更有效地解决网格资源的搜索和定位问题，提出一种以P2P形式实现的、基于兴趣聚类的非集中式网格资源发现算法。算法采用被动学习方式，通过用户的访问历史抽取节点的兴趣属性，将节点按照兴趣属性划分为多个簇

针对不确定数据流上的聚类问题提出一种不确定数据流子空间聚类算法UDSSC。该算法使用滑动窗口机制接收新到达的数据，剔除陈旧的数据；还引入子空间簇生成策略和新型离群点机制；系统建立了三个缓冲区分别存储新

一种改进的快速聚类算法GLDBSCAN，陈晓云，祁小丽，本文在基于局部密度的空间聚类算法LDBSCAN的基础上提出了一种基于网格和SP-Tree的快速聚类算法GLDBSCAN。新算法设计了一种新的对数

针对K-means算法易受初始聚类中心影响而陷入局部最优的问题，提出一种基于萤火虫智能优化和混沌理论的FCMM算法。利用最大最小距离算法确定聚类类别值K和初始聚类中心位置，以各聚类中心为基准点，利用T

针对面向聚类的特征选择算法效率和效果无法兼顾，并且对高维数据适用度不高的问题，提出了一种基于邻域分析的加权特征选择算法ENFSA。该算法首先基于信息熵构建候选特征集，降低加权特征选择的候选特征维度，在

针对传统的聚类算法存在对初始化值敏感和容易陷入局部极值等缺点，提出一种确定聚类中心数目和位置的方法。用每一个粒子表示一组聚类中心，采用云理论改造粒子群算法，从而提高粒子群算法的性能，以便搜索到更合理的

一种基于数据划分的改进的DBSCAN算法，孙业勤，，聚类分析是数据挖掘的核心技术，针对PDBSCAN算法在密度差别不大的数据空间上无法进行分区聚类的问题。本文提出了IPDBSCAN算法，可以有

以网格化数据集来减少聚类过程中的计算复杂度,提出一种基于密度和网格的簇心可确定聚类算法.首先网格化数据集空间,以落在单位网格对象里的数据点数表示该网格对象的密度值,以该网格到更高密度网格对象的最近距离