基于区间数的多维不确定性数据UID-DBSCAN聚类算法

摘要：

不确定性数据聚类方法的研究日益受到广泛关注,其中UIDK-means算法与U-PAM算法继承了基于划分算法无法识别任意形状簇和对噪声点敏感的缺陷.FDBSCAN算法事先假定不确定性数据的概率分布函数或概率密度函数是已知的,然而这些信息在实际应用中往往难以获取.针对上述算法的不足,提出一种基于区间数的多维不确定性数据聚类UID-DBSCAN算法.该算法利用区间数结合数据的统计信息合理地表示不确定性数据,采用低计算复杂度的区间数距离函数衡量不确定性数据对象间的相似度,首次提出区间数的密度、密度可达与密度相连等概念,并将其用于扩展簇中,同时结合数据集的统计特征自适应地选取算法的密度参数来实现自动聚类.实验结果表明,UID-DBSCAN算法能够有效识别噪声,处理任意形状簇,具有较高的聚类精度和较低的计算复杂度.

关键词：不确定性数据、区间数、聚类算法、DBSCAN

所属期刊栏目：44

分类号：TP311.13(计算技术、计算机技术)

资助基金：水利部公益性行业科研专项201401044

在线出版日期：2018-01-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：442-447