一种基于k-均值的DBSCAN算法参数动态选择方法

摘要：

为解决DBSCAN聚类算法的Eps及MinPts参数选择问题,提出一种领域无关的参数动态选择方法.首先,基于k-均值算法对数据集进行初步聚类,聚类中采用最大最小距离方法确定初始聚类中心.其次,针对k-均值聚类结果,计算统计各聚类中样本间距离的分布情况,选择使得具有最大样本对数的距离值作为对应类的Eps值,并通过Eps获得MinPts值.最后,对DBSCAN算法进行改进,使其可根据当前核心点所属k-均值聚类对应的Eps对其运行值进行自适应调整.将上述思想运用于未知协议条件下的比特流聚类分析,结果表明,在无需用户指定Eps及MinPts的条件下,即可获得满意的聚类结果,提高了算法的适用性和准确率.

关键词：聚类、一种经典的基于密度的聚类算法(DBSCAN)、参数选择、k-均值算法、未知协议

所属期刊栏目：53

分类号：TP309(计算技术、计算机技术)

在线出版日期：2017-04-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：80-86