基于密度的DBSCAN聚类算法可以识别任意形状簇,但存在全局参数Eps与Min Pts的选择需人工干预,采用的区域查询方式过程复杂且易丢失对象等问题,提出了一种改进的参数自适应以及区域快速查询的密度聚类算法。根据KNN分布与数学统计分析自适应计算出最优全局参数Eps与Min Pts,避免聚类过程中的人工干预,实现了聚类过程的全自动化。通过改进种子代表对象选取方式进行区域查询,无需漏检操作,有效提高了聚类的效率。对4种典型数据集的密度聚类实验结果表明,本文算法使得聚类精度提高了8.825%,聚类的平均时间减少了0.92 s。
2019-12-21 19:41:12
143KB
1
基于密度的聚类-DBSCAN、OPTICS、DENCLUE，自己整理，容易理解、并举例演示算法过程，简洁明了
2019-12-21 19:36:29
2.49MB
1
模式识别的课程作业，用MFC做的，实现了三个聚类算法（K_means,dbscan密度聚类，canopy），工程名叫k_means是因为一开始只做的k_means,后面加进去的,其实都做了，好好看看可以学到不少东西，不只是算法还有MFC的基础绘图等等
2019-12-21 19:30:26
1.1MB
1
基于密度的一种聚类方法（DBSCAN）源码 ，里面包含一个简单易懂的例子，讲述了DBSCAN，将简单的数据集进行DBSCAN聚类，最终将聚类的结果绘制成为图形化。
2019-12-21 18:55:44
19KB
1