不确定数据的最优近邻和局部密度聚类算法-控制与决策.pdfVIP

第31 卷 第3 期 控 制 与 决 策 2016 年 3 月 Vol. 31 No. 3 Control and Decision Mar. 2016 文章编号: 1001-0920 (2016) 03-0541-06 DOI: 10.13195/j.kzyjc.2014.1963 不确定数据的最优 近邻和局部密度聚类算法 陆亿红, 夏 聪 (浙江工业大学计算机科学与技术学院，杭州310023) 摘 要: 传统聚类算法一般针对的是确定数据, 无法解决不确定数据的聚类问题; 现有基于密度的不确定数据聚类 算法存在参数敏感且计算率低的问题. 对此, 在引进新的不确定数据相异度函数、最优 近邻、局部密度和互包含概 念的基础上, 提出解决不确定数据聚类问题的不确定数据的最优 近邻和局部密度聚类(OLUC) 算法. 该算法不仅 能降低参数敏感性, 提高计算效率, 而且具有动态自适应优化 近邻, 快速发现聚类中心和除噪优化的能力. 实验结 果表明, 所提出的算法对无论是否存在噪声的不确定数据集都效果良好. 关键词: 近邻；局部密度；不确定数据；聚类算法 中图分类号: TP391 文献标志码: A Optimal -nearest neighbors and local density-based clustering algorithm for uncertain data LU Yi-hong, XIA Cong (College of Computer Science and Technology，Zhejiang University of Technology ，Hangzhou 310023 ，China. Correspondent ：LU Yi-hong ，E-mail ：lyh@zjut.edu.cn) Abstract: Traditional clustering algorithms aim to certain data in general, which cannot solve the clustering problem for uncertain data. The existing density-based clustering algorithms for uncertain data have the problems that parameters are too sensitive and the computational efficiency is low. Therefore, an algorithm, named optimal -nearest neighbors and local density-based clustering algorithm for uncertain data(OLUC), is proposed to solve the clustering problem for uncertain data by introducing concepts of new dissimilarity function for uncertain data, optimal -nearest neighbors, local density and mutual inclusion relation. The algorithm not only can reduce the sensitivity of parameters and improve the computational efficiency, but also has the abilities of optimizing -nearest neighbors in the dyn