论文投稿_医学论文投稿_核心期刊,职称论文投稿发表_论文部落

　　1前言

　　聚类其实就是将数据对象分组成多个类或簇，在同一个簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大。

　　基于密度的DBSCAN聚类方法能够发现任意形状的聚类结果，这类方法将簇看作是数据空间中被低密度区域分割开的高密度对象区域。但是，该算法的时间复杂性是O（n2），用这种复杂度的算法聚类大型数据库是不太现实的。层次聚类CURE算法选择基于质心和基于代表对象方法之间的中间策略。使用CURE形成代表点的思想来形成DBSCAN算法所需要的m（m<2基于密度和层次的快速聚类算法设计

　　多维空间与二维空间的距离计算相似，为了方便地描述算法，在本文中以二维空间为例来分析基于密度和层次的聚类算法。

　　本算法采用的是凝聚的层次聚类方法，即自底向上的方法。该凝聚过程由三层组成，如图1所示。最底层所有的数据对象被视为各自处于一个簇中，作为该算法的输入参数。将整个数据集中的数据凝聚为以候选代表点为中心的一个个集合，并通过密度阈值筛选，去掉一些过稀疏的候选代表点，如图中代表集和“ab”的代表点，留下的代表点即为排除孤立点的中间层聚类结果。论文发表最高层，也就是最终的聚类结果层，它是在中间层的基础上，将邻接代表点聚类形成的簇，一个簇中由多于一个的代表点构成，使得它能够适应非球形的几何形状。

　　算法的具体设计如下：

　　（5）将新的矩阵U作为输入对象进行检测，如果U为被处理（归为某个簇或者标记为噪声），则检查其邻域，若包含的对象数不小于，建立新簇C，将中所有点加入C。

　　（6）对C中所有尚未被处理的对象q，检查其邻域，若中至少包含个对象，则将中未归入任何一个簇的对象加入C。

　　（7）重复步骤6，继续检查C中未处理的对象，知道没有新的对象加入当前簇C。

　　（8）重复步骤5-7，直到所有对象都归入了某个簇或标记为噪声。最终得到以Cl作为类代表点的聚类为C。

　　3快速聚类算法在数据挖掘中的实现及分析

　　3.1算法实现

　　3.2聚类效果的比较

　　测试数据集是某公司的客户信息数据库，数据量为181200。实验的硬件环境是PC计算机，CPU为PⅣ2.0G，内存为256M；软件环境是：操作系统为WindowsProfessional2000，编程环境VisualC++6.0。

　　4结束语

　　本文以改进当前已存在的聚类算法的效率与效果为目的，在对现存算法进行大量的学习与研究的基础上提出了一种基于密度和层次的快速聚类算法。为了对该算法进行透彻的分析与试验，构建了基于该算法进行聚类的数据挖掘系统。从试验的结果来看，本文算法达到了与DBSCAN相近的聚类效果，达到了良好聚类的标准：发现任意形状簇、处理噪声数据的能力。通过理论分析和试验结果数据表明将该算法推广到实际应用中是可行的。

　　参考文献

　　[1]叶培松，顾国松.数据挖掘中密度聚类算法研究[J].福建电脑，2010（03）：224-225.

　　[2]刘兴波.凝聚型层次聚类算法的研究[J].科技信息（科学教研），2008（11）：34-36.

　　[3]张勇，丁建林.赛博空间态势感知技术研究[J].信息网络安全，2012，（03）：42-44.

　　[4]吴轩亮.三网融合下城域网DDoS攻击的监测及防范技术研究[J].信息网络安全，2012，（03）：45-48.