基于局部敏感哈希的DBSCAN聚类算法研究.pdf

传统根据[K]-近邻图计算测地距离的方法，虽然能够发现流形分布数据间的相似关系，但是当不同类的点存在粘连关系时，依此计算相似度时不能体现样本间的真实关系，从而无法有效聚类。针对传统测地距离计算相似度的

示例数据和Python代码使用指南：该聚类算法基于Python，可在以下链接中找到源代码和示例数据。源代码包括原始版本和修改后的版本，修改后的版本添加了将聚类结果输出到文本的功能。使用该算法前需先安装

在基于DEM的地形表面重构中，传统的插值方法（B样条插值、双线形插值）获取的地形表面过于平滑，不能反映自然地形具有无限细节的事实。引入3维迭代函数系统（3D-IFS）插值方法来重构经随机简化的原始地形

依据样本数据点分布的局部和全局一致性特征,提出了一种基于局部密度构造相似矩阵的谱聚类算法。首先通过分析样本数据点的分布特性给出了局部密度定义,根据样本点的局部密度对样本点集由密到疏排序,并按照设计的连

多聚类中心近邻传播聚类算法（MEAP），在处理任意形状具有流形分布结构的数据时，往往得不到理想的聚类结果。为此，基于流形学习的思想，设计了一种全新的相似性度量，该相似性度量能够扩大位于同一流形中数据点

文本聚类在很多领域都有广泛应用,而聚类算法作为文本聚类的核心直接决定了聚类的效果和效率。结合基于划分的聚类算法和基于密度的聚类算法的优点,提出了基于密度的聚类算法DBCKNN。算法利用了k近邻和离群度

引入遗传算法试图解决海量、高维样本的聚类问题。分析了目前基于样本和属性值两类基于遗传算法的聚类算法的不足，归纳出它们的算法模型。针对多维快速聚类问题提出了密度法、网格法两种基于遗传算法的聚类算法。算法

针对传统的BIRCH算法用直径来控制聚类的边界，对非球形聚类效果不佳，甚至会把非球状的簇分割为不同簇这一缺点，对BIRCH算法进行改进，改进算法首先建立多棵CF树，每棵CF树代表一个簇，并结合DBSC

目 录 中 文 摘 要 I ABSTRACT III 第一章 绪论1 1.1 研究背景及意义1 1.2 半监督聚类算法研究现状1 1.3 半监督聚类所面临的一些问题3 1.4 论文的研究内容与组织架构

摘要 摘 要 在当今社会聚类分析是人们处理各种数据挖掘问题的重要途径之一神经网络具 有自学习高速寻找优化解等优点运用神经网络算法求解聚类问题是近年来的研究热 点 弹性网络算法ENA是一种强大的神经网络