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，在无需用户指定Eps及MinPts的条件下，即可获得满意的聚类结果，提高了算法的适用性和准确率。