改进的共享型最近邻居聚类算法

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

改进的共享型最近邻居聚类算法

文章导航 > 电子科技大学学报 > 2006 > 35(1): 70-72

耿技, 印鉴. 改进的共享型最近邻居聚类算法[J]. 电子科技大学学报, 2006, 35(1): 70-72.

引用本文:

耿技, 印鉴. 改进的共享型最近邻居聚类算法[J]. 电子科技大学学报, 2006, 35(1): 70-72.

GENG Ji, YIN Jian. Refined Shared Nearest Neighbor Clustering Algorithm[J]. Journal of University of Electronic Science and Technology of China, 2006, 35(1): 70-72.

Citation:

GENG Ji, YIN Jian. Refined Shared Nearest Neighbor Clustering Algorithm[J]. Journal of University of Electronic Science and Technology of China, 2006, 35(1): 70-72.

改进的共享型最近邻居聚类算法

耿技¹,
印鉴²

1.
电子科技大学计算机科学与工程学院成都 610054;
2.
中山大学信息科学与技术学院广州 510275

作者简介:
耿技(1963-),男,在职博士生,副教授,主要从事数据处理与数据挖掘、信息安全方面的研究;印鉴(1968-),男,博士,教授,博士生导师,主要从事数据处理与数据挖掘、人工智能方面的研究.

耿技(1963-),男,在职博士生,副教授,主要从事数据处理与数据挖掘、信息安全方面的研究;印鉴(1968-),男,博士,教授,博士生导师,主要从事数据处理与数据挖掘、人工智能方面的研究.

中图分类号: TP391

Refined Shared Nearest Neighbor Clustering Algorithm

GENG Ji¹,
YIN Jian²

1.
School of Computer Science and Engineering,UEST of China Chengdu 610054;
2.
School of Information Science and Technology,SUN Yat-sen University Guangzhou 510275

摘要: 聚类效果往往依赖于密度和相似度的定义,并且当数据的维增加时,其复杂度也随之增加。该文基于共享型最近邻居聚类算法SNN,提出了一种改进的共享型最近邻居聚类算法RSNN,并将RSNN应用于高速公路交通数据集上,解决了SNN算法在"去噪"、孤立点和代表点的判断、聚类效果等方面的不足之处。实验结果表明,RSNN算法比SNN算法在时空数据集上具有更好的聚类效果。
- 聚类分析 /
- 共享型最近邻居 /
- 孤立点 /
- 相似度
Abstract: Clustering results often depend on density and similarity critically, and its complexity often changes along with the augment of sample dimensionality. This paper refers to classical shared nearest neighbor clustering algorithm (SNN) and refined shared nearest neighbor clustering algorithm (RSNN). By applying this RSNN algorithm on freeway traffic data set, we settled several problems existed in SNN algorithm, such as outliers, statistic, core points, computation complexity and so on. Experiment results prove that this refined algorithm has better clustering results on multi-dimensional data set than SNN algorithm.
- cluster analysis /
- shared nearest neighbor /
- outlier /
- similarity

[1]	李海林, 张丽萍. 时间序列数据挖掘中的聚类研究综述 . 电子科技大学学报, 2022, 51(3): 416-424. doi: 10.12178/1001-0548.2022055
[2]	张林兵, 郭强, 吴行斌, 梁耀洲, 刘建国. 基于多维行为分析的用户聚类方法研究 . 电子科技大学学报, 2020, 49(2): 315-320. doi: 10.12178/1001-0548.2018212
[3]	刘乃龙, 周晓东, 刘钊铭, 崔龙. 基于多变量时间序列的接触状态聚类分析 . 电子科技大学学报, 2020, 49(5): 660-665. doi: 10.12178/1001-0548.2020192
[4]	张海霞, 吕振, 张传亭, 袁东风. 一种引入加权异构信息的改进协同过滤推荐算法 . 电子科技大学学报, 2018, 47(1): 112-116, 152. doi: 10.3969/j.issn.1001-0548.2018.01.017
[5]	高申勇, 戈豪豪, 张桦. 基于像素点分类和颜色分割的树型滤波立体匹配 . 电子科技大学学报, 2017, 46(3): 606-611. doi: 10.3969/j.issn.1001-0548.2017.03.021
[6]	周雪, 曹爽, 何香静, 邹见效. 基于特征点匹配对平面相似度的图像拼接 . 电子科技大学学报, 2017, 46(6): 877-882. doi: 10.3969/j.issn.1001-0548.2017.06.015
[7]	陈莉, 刘弘. 基于跨本体语义相关的三维模型检索方法 . 电子科技大学学报, 2017, 46(4): 585-590. doi: 10.3969/j.issn.1001-0548.2017.04.018
[8]	顾亦然, 朱梓嫣. 基于LeaderRank和节点相似度的复杂网络重要节点排序算法 . 电子科技大学学报, 2017, 46(2): 441-448. doi: 10.3969/j.issn.1001-0548.2017.02.020
[9]	于凯, 荣莉莉, 王瑞锦, 郭文强. 基于邻居节点平均度的级联故障袭击策略研究 . 电子科技大学学报, 2014, 43(6): 917-922. doi: 10.3969/j.issn.1001-0548.2014.06.021
[10]	汤永新, 余达太. 基于输入点复杂度的交互固有安全性度量 . 电子科技大学学报, 2012, 41(5): 787-791. doi: 10.3969/j.issn.1001-0548.2012.05.027
[11]	张昌利, 龚建国, 闫茂德. 基于复杂网络的社会化标签语义相似度分析 . 电子科技大学学报, 2012, 41(5): 642-648. doi: 10.3969/j.issn.1001-0548.2012.05.001
[12]	魏玲, 李强. 面向属性概念格基于覆盖的压缩 . 电子科技大学学报, 2012, 41(2): 299-304. doi: 10.3969/j.issn.1001-0548.2012.02.024
[13]	高嵘, 王强, 罗东, 秦志光. 食品溯源时序数据的函数型聚类分析 . 电子科技大学学报, 2012, 41(4): 561-563,591. doi: 10.3969/j.issn.1001-0548.2012.04.016
[14]	陈文宇, 张忠全, 向涛, 桑楠. 基于相似度的语义Web服务发现技术研究 . 电子科技大学学报, 2010, 39(6): 896-899,910. doi: 10.3969/j.issn.1001-0548.2010.06.019
[15]	王金龙, 徐从富. 研究者出版记录中的会议序列提取研究 . 电子科技大学学报, 2010, 39(1): 110-113. doi: 10.3969/j.issn.1001-0548.2010.01.025
[16]	罗光春, 聂坤苗, 温川彪, 李炯. 功能点分析法的研究和改进 . 电子科技大学学报, 2009, 38(6): 983-986. doi: 10.3969/j.issn.1001-0548.2009.06.019
[17]	朵春红, 王翠茹. 网格和密度的聚类算法在CRM中的应用 . 电子科技大学学报, 2007, 36(6): 1289-1291,1314.
[18]	杨思春. 一种改进的句子相似度计算模型 . 电子科技大学学报, 2006, 35(6): 956-959.
[19]	王延源, 高理峰. 混合型单调算子对的不动点及其应用 . 电子科技大学学报, 2005, 34(1): 131-133.
[20]	李秀森, 韩静轩, 马力. 增长因素为聚类变量的因素分析 . 电子科技大学学报, 2002, 31(2): 204-206.

WeChat

点击查看大图

计量

文章访问数: 3589
HTML全文浏览量: 179
PDF下载量: 103
被引次数: 0

改进的共享型最近邻居聚类算法

耿技¹,
印鉴²

1. 电子科技大学计算机科学与工程学院成都 610054;

2. 中山大学信息科学与技术学院广州 510275

作者简介:
耿技(1963-),男,在职博士生,副教授,主要从事数据处理与数据挖掘、信息安全方面的研究;印鉴(1968-),男,博士,教授,博士生导师,主要从事数据处理与数据挖掘、人工智能方面的研究.

耿技(1963-),男,在职博士生,副教授,主要从事数据处理与数据挖掘、信息安全方面的研究;印鉴(1968-),男,博士,教授,博士生导师,主要从事数据处理与数据挖掘、人工智能方面的研究.

收稿日期: 2005-09-06
刊出日期: 2006-02-15

中图分类号: TP391

关键词:

摘要: 聚类效果往往依赖于密度和相似度的定义,并且当数据的维增加时,其复杂度也随之增加。该文基于共享型最近邻居聚类算法SNN,提出了一种改进的共享型最近邻居聚类算法RSNN,并将RSNN应用于高速公路交通数据集上,解决了SNN算法在"去噪"、孤立点和代表点的判断、聚类效果等方面的不足之处。实验结果表明,RSNN算法比SNN算法在时空数据集上具有更好的聚类效果。

English Abstract

耿技, 印鉴. 改进的共享型最近邻居聚类算法[J]. 电子科技大学学报, 2006, 35(1): 70-72.

引用本文:

耿技, 印鉴. 改进的共享型最近邻居聚类算法[J]. 电子科技大学学报, 2006, 35(1): 70-72.

GENG Ji, YIN Jian. Refined Shared Nearest Neighbor Clustering Algorithm[J]. Journal of University of Electronic Science and Technology of China, 2006, 35(1): 70-72.

Citation:

GENG Ji, YIN Jian. Refined Shared Nearest Neighbor Clustering Algorithm[J]. Journal of University of Electronic Science and Technology of China, 2006, 35(1): 70-72.

全文HTML

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

期刊在线

编辑办公

友情链接

电子科技大学

版权所有 © 《电子科技大学学报》编辑部

地址: 成都市建设北路二段四号电子科技大学主楼中350室电话: 028-83202308,83207559 Email: xuebao@uestc.edu.cn

本系统由北京仁和汇智信息技术有限公司开发