-
-
-
-
-
dbscan.rar
用matlab实现的dbscan聚类算法，其中包含各类文件，数据集采用多种数据集
，包含iris等
-
-
-
论文研究-DBSCAN算法研究及并行化实现.pdf
DBSCAN算法是一种基于密度的优秀算法，能够对任意形状的数据进行聚类，且能够识别噪声数据。为了减少人工对输入参数Eps和MinPts的干预，提出了一种新的计算Eps参数的方法；同时，为了解决传统单机DBSCAN算法在大数据环境下的性能问题，基于Spark框架实现了DBSCAN算法的并行化。通过实验表明，提出的DBSCAN改进算法具有很高的准确度和稳定性；并行实现的DBSCAN算法具有很好的并行性能，适合用于处理海量数据聚类。
-
论文研究-结合RGB三维直方图和DBSCAN算法的图像分割.pdf
... 追求形状规则而忽略边缘的贴合度。有鉴于此，提出一种基于RGB三维直方图结合DBSCAN的图像分割方法。首先分析图像三维RGB直方图获取边缘贴合度很高的初始超像素，进而选择适当的特征值利用DBSCAN算法对超像素合并以生成较大同质区。实验证明：新方法获取超像素的边缘保持性和运算效率都优于传统方法，采用DBSCAN合并超像素时，其分割精度有明显提升，而且同质区边缘更加准确。
-
论文研究-基于动态近邻的DBSCAN算法.pdf
针对DBSCAN算法聚类参数敏感不易获取、参数固定无法适应密度不均匀数据等问题。提出了动态近邻的概念，即聚类参数随密度动态变化。设计了用于调整动态参数的近邻规模演化算法，即通过限制相对密度变化率，逐步调整近邻规模。最后根据动态的近邻规模，重新定义了DBSCAN算法核心对象的概念，并设计了基于动态近邻的DN-DBSCAN算法。仿真结果表明，DN-DBSCAN能够有效识别非凸及密度分布不均匀的数据样本，聚类效果优于传统DBSCAN算法和其他经典改进算法。
-
论文研究-一种基于k-均值的DBSCAN算法参数动态选择方法.pdf
为解决DBSCAN聚类算法的Eps及MinPts参数选择问题，提出一种领域无关的参数动态选择方法。首先，基于k-均值算法对数据集进行初步聚类，聚类中采用最大最小距离方法确定初始聚类中心。其次，针对k-均值聚类结果，计算统计各聚类中样本间距离的分布情况，选择使得具有最大样本对数的距离值作为对应类的Eps值，并通过Eps获得MinPts值。最后，对DBSCAN算法进行改进，使其可根据当前核心点所属k-均值聚类对应的Eps对其运行值进行自适应调整。将上述思想运用于未知协议条件下的比特流聚类分析，结果表明，在无需 ...
-
Go To English Version 超过100万源码资源，1000万源码文件免费下载
