2001 年,zhao 和 song给出网格密度等值线聚类算法 gdilc.密度等值线图能够很好地描述数据样本的 分布.算法 gdilc 的核心思想——用密度等值线图描述数据样本分布.使用基于网格方法计算每一个数据样本 的密度,发现相对的密集区域——类(或称为类簇).gdilc 具有消除奇异值和发现各种形状的类的能力,它是一 种非监督聚类算法.他们的实验表明,gdilc 算法具有聚类准确率高和聚类速度快等特点.。

2. 研究的基本内容

1. 了解聚类问题的研究现状，理解聚类算法的内涵以及密度聚类在聚类算法中的地位和特点，其应用背景以及现存的问题；

2. 熟悉经典的dbscan、optics、denclue三种聚类算法的基本原理和实现方式；

3. 通过编程实现这三种经典的密度聚类算法，分别分析这三种密度聚类的内容和实验结果；

3. 实施方案、进度安排及预期效果

实施方案：

1.阅读关于聚类算法的国内外文献，了解其研究现状并理解密度聚类算法的应用背景。

4. 参考文献

1. 刘维.数据挖掘中聚类算法综述[J].江苏商论,2018(07):120-125.
2. 王玉晗,罗邓三郎.聚类算法综述[J].科技资讯,2018,16(24):10-11.
3. 张丽芳.3种聚类算法性能比较分析[J].长江大学学报(自然科学版)理工卷,2009,6(02):250-251.
4. 薛小娜,高淑萍,彭弘铭,吴会会.基于K近邻和多类合并的密度峰值聚类算法[J].吉林大学学报(理学版),2019,57(01):111-120.
5. 宋金玉,郭一平,王斌.DBSCAN聚类算法的参数配置方法研究[J/OL].计算机技术与展,2019(05):1-8[2019-03-14]
6. 秦佳睿,徐蔚鸿,马红华,曾水玲.自适应局部半径的DBSCAN聚类算法[J].小型微型计算机系统,2018,39(10):2186-2190.
7. 冯玲,刘克剑,唐福喜,孟庆瑞.一种基于网格查询的改进DBSCAN算法[J].西华大学学报(自然科学版),2016,35(05):25-29.
8. 安建瑞,张龙波,王雷,金超,怀浩,王晓丹.一种基于网格与加权信息熵的OPTICS改进算法[J].计算机工程,2017,43(02):206-209
9. Weipeng Jing,Chuanyu Zhao,Chao Jiang. An improvement method of DBSCAN algorithm on cloud computing[J]. Procedia Computer Science,2019,147.
10. 王志强. 基于局部中心量度的聚类算法研究[D].华南理工大学,2018.
11. 曾依灵,许洪波,白硕.改进的OPTICS算法及其在文本聚类中的应用[J].中文信息学报,2008(01):51-55 60.
12. 余小高,余小鹏.基于距离和密度的无监督聚类算法的研究[J].计算机应用与软件,2010,27(07):122-125 168.
13. 谭建豪,章兢,李伟雄.密度分布函数在聚类算法中的应用[J].控制理论与应用,2011,28(12):1791-1796.
14. Hajar Rehioui,Abdellah Idrissi,Manar Abourezq,Faouzia Zegrari. DENCLUE-IM: A New Approach for Big Data Clustering[J]. Procedia Computer Science,2016,83.