一种改进的带障碍的基于密度和网格的聚类算法

doi:10.3724/SP.J.1087.2005.01818

计算机应用 ›› 2005, Vol. 25 ›› Issue (08): 1818-1820.DOI: 10.3724/SP.J.1087.2005.01818

一种改进的带障碍的基于密度和网格的聚类算法

严馨¹，周丽华²，陈克平²，徐广义³

1.昆明理工大学计算机科学技术系； 2.云南大学计算机科学与工程系； 3.南天电子信息股份有限公司

发布日期:2011-04-07 出版日期:2005-08-01
基金资助:
国家自然科学基金资助项目(60463004);;云南省教育厅科学研究基金资助项目(03Y173D)

Improved clustering algorithm based on density and grid in the presence of obstacles

YAN Xin¹,ZHOU Li-hua²,CHEN Ke-ping²,XU Guang-yi³

1. Department of Computer Science and Technology,Kunming University of Science and Technology, Kunming Yunnan 650051, China; 2. Department of Computer Science and Engineering, Yunnan University, Kunming Yunnan 650091, China; 3. Nantian Electronics Information Corporation Limited, Kunming Yunnan 650041, China

Online:2011-04-07 Published:2005-08-01

摘要/Abstract

摘要： 提出了一个改进的带障碍的网格弥散聚类算法DCellO1:以网格为基础,将基于密度的聚类算法与图形学种子填充算法相结合。该算法能进行任意形状的带障碍聚类,并且在对象分布不均匀时也能获得较好的聚类结果。实验证明了该算法的有效性与优越性。

关键词: 聚类, 网格, 密度, 障碍

Abstract: An improved grid diffusant clustering algorithm in the presence of obstacles called DCellO1 was proposed. Based on grid,it combined density-based clustering algorithm with seed-filling algorithm of graphics. It could construct arbitrary shape clustering in the presence of obstacles, and could obtain good clustering results when the objects distributed unevenly. The experiments prove the superiority and effectiveness of DCellO1.

Key words: clustering, grid, density, obstacles

中图分类号:

TP301

严馨，周丽华，陈克平，徐广义. 一种改进的带障碍的基于密度和网格的聚类算法[J]. 计算机应用, 2005, 25(08): 1818-1820.

YAN Xin,ZHOU Li-hua,CHEN Ke-ping,XU Guang-yi. Improved clustering algorithm based on density and grid in the presence of obstacles[J]. Journal of Computer Applications, 2005, 25(08): 1818-1820.

[1]	陈恒恒, 倪志伟, 朱旭辉, 金媛媛, 陈千. 基于聚类分析的差分隐私高维数据发布方法[J]. 计算机应用, 2021, 41(9): 2578-2585.
[2]	曾祥银, 郑伯川, 刘丹. 基于深度卷积神经网络和聚类的左右轨道线检测[J]. 计算机应用, 2021, 41(8): 2324-2329.
[3]	祝承, 赵晓琦, 赵丽萍, 焦玉宏, 朱亚飞, 陈建英, 周伟, 谭颖. 基于谱聚类半监督特征选择的功能磁共振成像数据分类[J]. 计算机应用, 2021, 41(8): 2288-2293.
[4]	戴嫣然, 戴国庆, 袁玉波. 基于肤色学习的多人脸前景抽取方法[J]. 计算机应用, 2021, 41(6): 1659-1666.
[5]	王治和, 常筱卿, 杜辉. 基于万有引力的自适应近邻传播聚类算法[J]. 计算机应用, 2021, 41(5): 1337-1342.
[6]	李国荣, 冶继民, 甄远婷. 基于新的鲁棒相似性度量的时间序列聚类[J]. 计算机应用, 2021, 41(5): 1343-1347.
[7]	马建红, 曹文斌, 刘元刚, 夏爽. 基于功效特征的专利聚类方法[J]. 计算机应用, 2021, 41(5): 1361-1366.
[8]	龙超奇, 蒋瑜, 谢雨. 基于峰值网格改进的小波聚类算法[J]. 计算机应用, 2021, 41(4): 1122-1127.
[9]	李杏峰, 黄玉清, 任珍文, 李毅红. 基于自适应邻域的鲁棒多视图聚类算法[J]. 计算机应用, 2021, 41(4): 1093-1099.
[10]	邹志文, 秦程. 基于k-means++的动态构建空间主题R树方法[J]. 计算机应用, 2021, 41(3): 733-737.
[11]	郭佳, 韩李涛, 孙宪龙, 周丽娟. 自动确定聚类中心的比较密度峰值聚类算法[J]. 计算机应用, 2021, 41(3): 738-744.
[12]	吕佳, 鲜焱. 结合改进密度峰值聚类和共享子空间的协同训练算法[J]. 计算机应用, 2021, 41(3): 686-693.
[13]	袁芊芊, 邓洪敏, 王晓航. 基于超像素快速模糊C均值聚类与支持向量机的柑橘病虫害区域分割[J]. 计算机应用, 2021, 41(2): 563-570.
[14]	付倩慧, 李庆奎, 傅景楠, 王羽. 基于空间维度循环感知网络的密集人群计数模型[J]. 计算机应用, 2021, 41(2): 544-549.
[15]	陈朗, 王让定, 严迪群, 林昱臻. 融合残差网络和极限梯度提升的音频隐写检测模型[J]. 计算机应用, 2021, 41(2): 449-455.

一种改进的带障碍的基于密度和网格的聚类算法

Improved clustering algorithm based on density and grid in the presence of obstacles

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics