1、聚類分析是數(shù)據(jù)挖掘中的一個重要研究領域，是一種數(shù)據(jù)劃分或分組處理的重要手段和方法。聚類的應用是非常廣泛的，無論是在商務上，還是在市場分析、生物學、Web文檔分類等領域中都得到了充分的應用。目前，聚類算法大體上分為劃分的方法、層次的方法、基于密度的方法、基于網(wǎng)格的方法和基于模型的方法。這些算法存在如下的問題：符號屬性問題、算法的效率問題、初值的選擇問題、對輸入順序的敏感性問題、最優(yōu)解問題、算法對輸入?yún)?shù)的依賴性問題。 DBSCAN

2、就是一種基于密度的方法，該算法的顯著優(yōu)點是速度快，可以發(fā)現(xiàn)任意形狀的聚類和噪聲點。但是當數(shù)據(jù)量非常龐大時，該算法對主存要求較高；而且需要定義一個全局變量Eps，如果這個全局變量Eps定義的不好，將會影響聚類質量，尤其是數(shù)據(jù)分布不均勻時，因此DBSCAN對輸入?yún)?shù)Eps是十分依賴的。論文在分析這些不足的基礎上，對DBSCAN算法進行了改進，把“分而治之”的思想應用到該算法中。聚類前，先把數(shù)據(jù)劃分成一個個網(wǎng)格，然后把網(wǎng)格分配給多個處理機進行

3、并行聚類，最后再對各個處理機的局部聚類結果進行合并。這樣，一方面降低了對主存的要求；另一方面，當數(shù)據(jù)分布不均勻時，全局變量Eps也不會影響聚類質量，因為每個網(wǎng)格采用單獨的Eps值；并且把每個網(wǎng)格分到單獨的處理機上進行并行聚類提高了聚類效率。試驗表明，改進后的DBSCAN算法降低了對主存的要求和對輸入?yún)?shù)Eps的依賴。 K-means算法是一種基于劃分的聚類算法，它把n個對象劃分成K個類，其中的聚類數(shù)目K是輸入?yún)?shù)。該算法是通過不

4、斷地迭代來進行聚類，當算法收斂到一個結束條件時，就終止迭代過程，輸出一個聚類結果。但是由于K-means算法在選擇初始聚類中心時是隨機選取K個點，因此一旦這K個點選取不合理，將會誤導聚類過程，得到一個不合理的聚類結果。論文在分析聚類結果對初值依賴性的基礎上，對初值選取方法進行了分析和研究，采取“射靶”的原理進行類中心的搜索。從實際應用中可以發(fā)現(xiàn)，改進后K-means得到的聚類結果更加穩(wěn)定，對初始聚類中心的依賴性減弱了。 最后，在