文献检索-宁波市创意产业特色资源库

限定检索结果

海洋数据下的密度自适应聚类算法: 收藏
分享
引用; 《计算机工程与设计》2019年第9期40卷 2523-2529页; 作者：蒋华林森王鑫王慧娇桂林电子科技大学广西可信软件重点实验室; 针对DBSCAN算法需要人工设定参数,且数在对不同疏密度的数据敏感度较低以及处理多维多密度的海洋数据时鲁棒性欠佳的问题,提出一种基于k-均值模型的多密度自适应聚类算法AM-DBSCAN(adaptive multi-density DBSCAN algorithm)。采用k-均...; 针对DBSCAN算法需要人工设定参数,且数在对不同疏密度的数据敏感度较低以及处理多维多密度的海洋数据时鲁棒性欠佳的问题,提出一种基于k-均值模型的多密度自适应聚类算法AM-DBSCAN(adaptive multi-density DBSCAN algorithm)。采用k-均值模型对数据进行初次聚类,分别以结果簇中距离最远两点的平均值及最小簇的样本数作为DBSCAN算法中的邻域半径(Eps)及邻域样本阈值(Minpts);以最短路径原则改进DBSCAN算法中Eps邻域判定方式,提高算法全局的可靠性及稳定性。实验结果表明,相对于DBSCAN聚类算法,AM-DBSCAN算法在处理密度不均的数据时在聚类准确度和聚类效率方面有所提升。; 来源：详细信息评论

限定检索结果