基于密度改进的制造技术

本发明专利技术涉及一种基于密度的层次聚类算法改进研究

【技术实现步骤摘要】
基于密度改进的BIRCH聚类算法研究


[0001]本专利技术涉及聚类分析
，主要是对
BIRCH
聚类算法进行聚类优化
。

技术介绍

[0002]聚类分析是数据挖掘中的一个重要领域，它是一种无监督的学习方法，它通过一定的规则将数据按照定义的相似性划分为若干个类或簇，这些类或簇是由许多在性质上相似的数据点构成的
。
同一个类中的数据彼此相似，而与其它类中的数据相异
。
聚类分析还可以作为独立的数据挖掘工具来了解数据分布
。
聚类算法可以分为基于划分的方法
、
基于密度的方法
、
基于层次的方法
、
基于网格的方法等
。
[0003]BIRCH
算法是
1996
年由
Tian Zhang、Ramakrishnan、Linvy
提出来的一种组合层次聚类算法，
BIRCH
算法是通过聚类特征来构建一棵聚类特征树
。
截至到目前国内外已经有很多学者提出了对
BIRCH
算法的改进
。
其中有一些包括：改进聚类特征的计算方式
、
阈值方面的改变
、
对混合型数据集的适应
、
与其他聚类算法的结合等
。
[0004]虽然
BIRCH
算法在时间复杂度上有显著的优势，但它是一种基于距离的层次聚类，所以它对于非球形的数据聚类效果并不好，需要配合上全局聚类的算法例如
DBSCAN
这种基于密度的算法才改善这种情况
。

技术实现思路

[0005]在针对上述提出的
BIRCH
聚类算法的缺陷，本文提出一种新的聚类策略，将数据的密度求出，按照密度高低分别对其进行聚类
。
具体步骤如下
。
[0006]先用
DBSCAN
算法求出数据的核心点
、
边界点
、
噪声点
。
[0007]DBSCAN
算法不会将噪声点分配到任何聚类中，将噪声点先排除，不参加接下来的聚类，这样做可以使得接下来的步骤相对较容易
。
[0008]将噪声点排除后，将核心点和边界点定义为高密度点和低密度点
。
[0009]在高密度点和低密度点区域分别用
BIRCH
算法进行聚类，形成高密度簇和低密度簇
。
[0010]对高密度簇和低密度簇进行合并，形成更大的簇
。
[0011]对于噪声点进行处理
。
对于噪声点的处理有两种：
1.
保留噪声点，
2.
不保留噪声点
。
附图说明
[0012]图1为
DBSCAN
聚类后的数据分布
[0013]图2为
DBSCAN
聚类排除噪声点后的数据分布
[0014]图3为
BIRCH
聚类高密度点的数据分布
[0015]图4为
BIRCH
聚类低密度点的数据分布
[0016]图5为高密度点和低密度点整体聚类的数据分布
具体实施方式
[0017]本专利技术基于密度改进的
BIRCH
聚类算法研究的聚类策略优化的具体实现步骤如下
。
[0018]步骤一
、
输入二维数据集
X
＝
{x1,x2,x3
…
,xn}。
[0019]步骤二
、
用
DBSCAN
算法求出数据的核心点
、
边界点
、
噪声点
。
[0020]核心点是满足以下两个条件的数据点：
1.
在距离
ε
(epsilon)
内至少包含
MinPts
个数据点，包括它自己
。2.
这些
MinPts
个数据点必须分布在该点的邻域内，也就是距离不超过
ε
的范围内
。
核心点定义：
core(p,∈,MinPts)
＝
{q∈D∣dist(p,q)≤∈},if|core(p,∈,MinPts)∣≥MinPts。
边界点是不满足核心点定义的数据点，但仍然在某个核心点的
ε
邻域内
。
边界点定义：
border(q,∈,MinPts)
＝
{q∈D∣dist(p,q)≤∈},if 1≤∣core(p,∈,MinPts)∣<MinPts。
噪声点是既不是核心点也不是边界点的数据点
。
[0021]步骤三
、
根据步骤二中定义求出核心点密度，边界点密度，噪声点密度
。
[0022]步骤四
、
将步骤三中求出的噪声点排除，
DBSCAN
算法不会将噪声点分配到任何聚类中，将噪声点先排除，不参加接下来的聚类，这样做可以使得接下来的步骤相对较容易
。
[0023]步骤五
、
将步骤二求出的核心点
、
边界点重新定义为高密度点和低密度点，并用
BIRCH
算法对高密度点和低密度点进行聚类，形成高密度簇和低密度簇
。
[0024]步骤六
、
将步骤五中高密度簇和低密度簇进行簇的合并，形成更大的簇
。
[0025]步骤七
、
对噪声点进行处理
。
对于噪声点的处理有两种：
1.
保留噪声点，
2.
不保留噪声点
。
需要对不同的数据集进行分析后才能确定对噪声点的处理
。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于密度改进的
BIRCH
聚类算法研究，包括以下步骤：步骤1：用
DBSCAN
算法求出数据的密度，包括核心点
、
边界点
、
噪声点
。
步骤2：
DBSCAN
算法将不属于任何簇的点标记为噪声点，因此先将噪声点排除，不参加聚类
。
步骤3：将核心点和边界点定义为高密度点和低密度点
。
步骤4：用
BIRCH
算法对高密度点和低密度点进行聚类，形成高密度点簇和低密度点簇
。
步骤5：将高密度点簇和低密度点簇进行合并，形成更大的簇
。
步骤6：对噪声点进行处理
。2.
根据权利要求1所述的基于密度改进的
BIRCH
聚类算法研究，其特征在于：所述步骤1中，用
DBSCAN
算法求出数据的密度，包括核心点
、
边界点
、
噪声点
。
点的密度是一定区域内点的数目
。
给定一个样本点
p
，它的局部密度就是以
p
为圆心
、
半径为

【专利技术属性】
技术研发人员：张虎宾，何云斌，李想，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：