1、隨著軟件、硬件和網絡技術的快速發(fā)展，積累的歷史數據成千上萬，在這些數據中存在著大量有用的信息。數據挖掘就是用來從大量的、不完全的、有噪聲的、模糊的、隨機數據中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識。在數據挖掘包含的眾多研究領域中，聚類是一種很有用的技術，它能夠在潛在的數據中發(fā)現(xiàn)令人感興趣的數據分布模式。實際的應用對聚類分析提出了如下要求：可伸縮性、處理不同類型屬性的能力、發(fā)現(xiàn)任意形狀的聚類、用于決定輸入參數的領

2、域知識最小化、處理噪聲數據的能力、對于輸入記錄的順序不敏感、高維性、基于約束的聚類以及聚類結果的可解釋性和可用性。 目前，已經提出了很多聚類算法，基本上分為以下幾類：劃分方法、層次方法、基于網格的方法、基于模型的方法和基于密度的方法。這些方法各有優(yōu)缺點，能夠針對不同的領域解決不同的問題。但在聚類分析中還存在一些有待解決的問題。 本文根據數據分布的特點，提出了一種基于空間單元密度的快速聚類算法SUDBC，該算法首先將被聚類

3、的數據劃分成若干個空間單元，然后基于空間單元密度將密度超過給定閾值的鄰居單元合并為一個類。在存儲空間單元時，通過建立哈希表提高查找速度。并通過實驗驗證了這一思想的正確性。實驗結果證明了SUDBC算法具有處理任意形狀的數據和對噪音數據不敏感的特點。通過與DBSCAN算法相比較，可以看出SUDBC是一種快速的聚類算法。該算法具有如下優(yōu)點：(1)不用計算兩點間的距離；(2)只需對數據進行一遍掃描，故具有近似線性的時間復雜性；(3)主要基于空間