论文部分内容阅读
针对传统聚类算法对动态数据集的处理能力较低,且加入新增数据后导致原始聚类结果不再可靠,以及造成算法效率低下和计算资源浪费等不足。本文在基于DBSCAN聚类算法的基础上,通过改进数据对象的邻域半径和搜索数据对象的方式进行增量聚类,提出了一种基于DBSCAN的自适应搜索增量聚类算法。本文首先对提出的算法进行理论分析,其次将其与三种增量聚类算法进行对比实验,实验结果表明:该算法实现了对动态数据集的有效分析,提高了增量聚类结果的准确率和动态数据的处理能力。