基于网格的聚类 Grid-based Clustering

最新推荐文章于 2024-09-17 21:25:21 发布

weixin_1822045735

最新推荐文章于 2024-09-17 21:25:21 发布

阅读量2.6k

点赞数

文章标签：聚类算法聚类 python 无监督学习人工智能

本文链接：https://blog.csdn.net/weixin_44746091/article/details/119342555

版权

网格聚类是一种快速处理多维数据的技术，如CLIQUE、STING、MAFIA等。这些算法通过创建网格结构，根据密度阈值找到聚类。CLIQUE利用密度和网格，STING采用多分辨率技术，MAFIA使用自适应网格。AMR自适应地创建不同分辨率的网格以检测嵌套聚类。这些算法在处理大规模数据集时，具有低计算复杂度和处理任意形状聚类的能力。

摘要由CSDN通过智能技术生成

The grid-based technique is used for a multi-dimensional dataset. In this technique, we create a grid structure, and the comparison is performed on grids(also know as cells). The grid-based technique is fast and has low computational complexity.–wiki

基于网格的技术用于多维数据集。在这种技术中，我们创建了一个网格结构，并在网格grids（也称为单元格cells）上就行了比较。基于网格的技术速度快且计算复杂度低。基于网格的聚类算法涉及步骤为：

将数据空间划分为有限数量的单元格。
随机选择一个单元格“c”，c不应该事先遍历。
计算“c”的密度
如果’c’的密度大于阈值的密度

(1)将单元格“c”标记为新的聚类（cluster）

(2)计算“c”所有邻居的密度

(3)如果相邻单元的密度大于阈值密度，将其添加到集群中，并且重复步骤4.2和4.3直到没有相邻单元的密度大于阈值密度

重复步骤2，3，4，直到遍历所有单元格。
停止

基于网格的方法将对象空间向量化为有限数量的单元格（超矩形），然后在量化空间上执行所需的操作。基于网格的方法主要优点是它的快速处理时间，这取决于量化空间中每个维度中的单元格数量。

下面介绍了一些基于网格的方法：

CLIQUE （Clustering in QUEst)

STING （Statistical Information Grid 统计信息网格)

MAFIA （Merging of adaptive interval approach to spatial datamining 空间数据挖掘的自适应区间方法的合并)

Wave Cluster （小波聚类）

O-CLUSTER （orthogonal partitioning CLUSTERing 正交分区聚类）

Axis Shifted Grid ClusteringAlgorithm（轴移动网格聚类算法）

Adaptive Mesh Refinement （自适应网格细化）

聚类是将数据分组到类class或簇cluster的过程，使簇内的对象具有很高的相似性，但与其他簇中的对象非常不同。一个好的聚类算法应该能够识别聚类，而不管它们的形状。聚类算法的其它要求是可扩展性、处理噪声数据的能力、对输入记录顺序不敏感等。

CLIQUE (Clustering in QUEst)

它利用了密度和基于网格的方法。在第一步中，CLIQUE 将n维数据空间S划分为不重叠的矩形单元（网格）。单位是通过将每个维度分成等长的ξ区间来获得。ξ 是一个输入参数，一个单元的选择性定义为其中包含的总数据点。当选择性(u)大于γ，则单位 u是稠密的，γ是另外一个需要输入的参数，称为密度阈值。子空间中的一个单元是来自K个属性中的每一个区间的交集。集群是链接的密集单元的最大集合。如果两个K维单元u1, u2有相同的外在（commonface）。那么将这两个单元连接。然后将密集单元连接起来形成集群。它使用apriori 算法（自底向上算法）来找到密集单元。密集单元是通过使用以下事实来识别的：如果K维单元（a1,b1）（a2,b2）…(ak,bk)是密集的，然后任何k-1维度的单元（a1,b1）（a2,b2）…(aik-1,bik-1)也是密集的，其中(ai,bi)是第i个维度的单位。

给定一组数据点和输入参数ξ及γ，CLIQUE能够在所有原始空间的所有子空间中找到聚类，并以DNF表达式的形式呈现每个集群的最小描述。CLIQUE中涉及的步骤为：

1)识别包含簇的子空间（密集单元）；

2）将密集单元合并形成聚类；

3）生成集群的最小描述。

STING:( A Statistical Information grid approachto spatial data mining)

空间数据挖掘是提取隐含知识、空间关系和发现数据库中未明确表示的有趣特征和模式。（空间数据挖掘在很多领域都有广泛的应用，包括GIS系统、图像数据库探索，医学成像等等）。

STING 是一个基于网格的多分辨聚类技术，其中空间区域被划分为矩形单元（使用维度和经度），并采用分层结构。（多分辨技术：首先使用一种粗糙的尺度对少量的图像像素进行处理,然后在下一层使用一种精确的尺度, 并用上一层的结果对其参数进行初始化. 迭代该过程, 直到达到最精确的尺度.这种由粗到细, 在大尺度上看整体，在小尺度上看细节的方法能够极大程度地提高配准成功率）。

通常有几个级别的这种矩形单元对应于不同的分辨率级别。高级别的每个单元格被划分为较低级别的子单元格。第i层的单元格对应于第i+1层的子单元的并集。每个单元格（叶子除外）有四个子单元，每个子单元对应于父单元的一个象限。

关于每个网格单元中的属性的统计信息（例如，均值、标准差、最大值和最小值）是预先计算并存储好的。

高一层单元的统计参数可以很容易地从低层单元的参数计算出来。对于每个单元格，都有属性独立参数和属性相关参数：

i)属性独立参数：

count 计数;

ii)属性关联参数；

M-此单元格中所有值的平均值；S-此单元格中的所有值的标准差；Min-此单元格中属性的最小值；Max-该单元格中属性的最大值，Distribution-属性值遵循的分布类型。分布类型为正态、均值指数和无。

当数据被加载到数据库中，底层单元的参数count, m, s, min, max 直接从数据中计算得到。

首先，确定查询处理过程从哪