基于粒球的变密度聚类算法OA

针对基于密度的带噪声空间聚类算法(DBSCAN)在处理密度显著变化数据集时,因邻域半径(eps)和最小点数(Minpts)两个核心参数固定,难以适配变密度数据的局部密度差异以及全数据遍历导致计算开销较高的问题,提出了一种基于粒球的变密度聚类算法(GBVDC)。首先,借助k近邻(KNN)方法将原始数据点划分成由k+1个数据点构成的粒球单元,实现原始数据向样本规模更小的粒球集合转化;其次,利用粒球的半径信息构建密度度量,在迭代聚类过程中依据粒球信息动态调整密度阈值,以精准匹配不同区域的密度变化特性,有效突破传统DBSCAN算法因参数固定导致的聚类局限性;最后,基于动态调整的密度阈值识别核心粒球,并将满足密度可达性条件的粒球逐步归并,形成完整聚类簇。在人工数据集和真实数据集上进行了对比实验,结果表明,GBVDC算法能够精准识别数据集中不同密度的簇结构,聚类效率相较于其他密度算法显著提升。