角度度量的动态增量聚类算法

为了探讨元素之间的夹角对增量聚类算法的影响,受基于角度的异常点检测算法的启发,论文建立了一种基于角度度量的(Incremental Clustering Algorithm Based on Angle)动态增量聚类算法模型,利用元素之间的夹角对增加的数据进行合理的分配。针对KFCM(Kernal Fuzzy Cluster Method)算法随机获取聚类中心的缺陷,论文利用平均距离对算法做出改进,使KFCM算法能自动获取聚类中心。由于核函数对聚类结果有很大影响,对于如何选择核函数文中做了进一步的研究。实验结果表明针对不断增加的数据,本算法能够有效的处理各种数据集。

基于簇特征的增量聚类算法设计与实现

对于大型数据库,如空间数据库和多媒体数据库,传统聚类算法的有效性和可扩展性受到限制。通过动态增量的方法,在基于密度和自适应密度可达聚类算法的基础上,根据BIRCH算法中聚类特征的概念,利用簇特征设计与实现了一种新的动态增量聚类算法,解决了大型数据库聚类的有效性以及空间和时间复杂度问题。理论分析和实验结果证明该算法能够有效地处理大型数据库,使聚类算法具有良好的可扩展性。