一种基于密度的聚类算法——DBSCAN(Density-Based Spatial Clustering of Applications with Noise)，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。DBSCAN中的几个定义包括Ε邻域和核心对象等。本文还提到了使用PSO优化的DBSCAN密度聚类方法。
暂无评论
聚类是数据挖掘领域的一个重要研究方向,针对复杂数据集中存在的簇间密度不均匀、聚类形态多样、聚类中心的识别等问题,引入样本点k近邻信息计算样本点的相对密度,借鉴快速搜索和发现密度峰值聚类(CFSFDP)
针对现有的空间向量模型在进行文本表示时忽略词条的位置和词条间关系的问题，提出了一种基于相对密度的多耦合文本聚类算法。在基于相对密度的聚类方法基础上，该算法根据相对密度越小文本相似性越小这一事实，将相对
针对视频关键帧提取问题，提出了一种密度峰值聚类算法，该算法利用HSV直方图将高维抽象视频图像数据转换为可量化的低维数据，并降低了捕获图像特征时的计算复杂度。在此基础上，使用密度峰值聚类算法对这些低维数
主要研究“正文式”网页的有效信息提取算法。该种底层网页真正含有Web页面所表达的主题信息,通常包含一大段的正文信息,正文信息的前后是一些格式信息（例如导航信息、交互信息、JavaScript脚本等）。
国内一篇高水平的关于聚类的文献，是基于密度的一种快速算法，效果不错
针对现有的多密度聚类算法对参数依赖性较高、聚类精度较低等问题，提出一种基于网格相对密度差的扩展聚类算法（ECRGDD）。首先，该算法给出一种网格划分方法，通过统计数据点的分布情况选取相对密集区域，采用
本文分析了数据聚类算法BIRCH 的不足之处,提出了一种基于密度与动态阈值的任意形状聚类挖掘算法——DVTD 算法,它结合密度和阈值双重参数,并根据数据集内在特征,动态改变阈值T,既可以控制CF 树的
ISSN 1673-9418 CODEN JKYTA8 E-mail: fcst@vip. 163.com Journal of Frontiers of Computer Science and T
本文面向位置大数据聚类,提出了一种简单但高效的快速密度聚类算法CBSCAN,以快速发现位置大数据中任意形状的聚类簇模式和噪声.首先,定义了Cell网格概念,并提出了基于Cell的距离分析理论,利用该距
常用的密度聚类数据集，可以用来测试简单的算法。
暂无评论