| 一种适合于科学数据的聚类算法 |
| |
| 引用本文： | 李欣宇,傅彦.一种适合于科学数据的聚类算法[J].成都信息工程学院学报,2006,21(3):327-330. |
| |
| 作者姓名： | 李欣宇 傅彦 |
| |
| 作者单位： | 电子科技大学计算机学院,四川,成都,610054 |
| |
| 基金项目： | 国家高技术研究发展计划(863计划) |
| |
| 摘 要： | 聚类是科学数据挖掘中的核心问题.在已提出的聚类算法中大都是基于＂距离＂的概念,这类算法的缺点在于处理数据量大和维数高的科学数据时不够有效,因此提出迭代网格算法.这个算法与基于距离的损法有根本不同,它抛弃了距离的概念,而采取一种新的思路.它不仅能够自动发现包含有趣知识的子空间,并将里面存在的所有聚类挖掘出来;而且它能很好的处理维数高和数据量大的科学数据.
|
| 关 键 词： | 科学数据挖掘 聚类分析 网格 密度 高维数据 |
| 文章编号： | 1671-1742(2006)03-0327-04 |
| 修稿时间： | 2005年5月19日 |
Clustering in scientific data mining based on grid and iterative method |
| |
| LI Xin-yu,FU Yan.Clustering in scientific data mining based on grid and iterative method[J].Journal of Chengdu University of Information Technology,2006,21(3):327-330. |
| |
| Authors: | LI Xin-yu FU Yan |
| |
| Abstract: | The clustering is an important part of the scientific data mining.Among the various algorithms a main class is based on the "distance".The "K-means" and "k-medoids" are two of these kinds.However these algorithms are inefficient when dealing with the large data sets and data sets of high-dimension.This algorithm differs much from the above ones and it takes a totally different approach called a grid and density based algorithm.It can automatically find out the subspaces containing interesting patterns and discover all clusters in that subspace and it performs well when dealing with the high-dimensional data. |
| |
| Keywords: | scientific data mining cluster analysis grid density high-dimension data |
| 本文献已被 CNKI 维普 万方数据 等数据库收录！ |
|
