• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Journal of Intelligent Information Systems >Clustering in Dynamic Spatial Databases
【24h】

Clustering in Dynamic Spatial Databases

机译：动态空间数据库中的集群

获取原文
获取原文并翻译 | 示例
       
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Efficient clustering in dynamic spatial databases is currently an open problem with many potential applications. Most traditional spatial clustering algorithms are inadequate because they do not have an efficient support for incremental clustering.In this paper, we propose DClust, a novel clustering technique for dynamic spatial databases. DClust is able to provide multi-resolution view of the clusters, generate arbitrary shapes clusters in the presence of noise, generate clusters that are insensitive to ordering of input data and support incremental clustering efficiently. DClust utilizes the density criterion that captures arbitrary cluster shapes and sizes to select a number of representative points, and builds the Minimum Spanning Tree (MST) of these representative points, called R-MST. After the initial clustering, a summary of the cluster structure is built. This summary enables quick localization of the effect of data updates on the current set of clusters. Our experimental results show that DClust outperforms existing spatial clustering methods such as DBSCAN, C2P, DENCLUE, Incremental DBSCAN and BIRCH in terms of clustering time and accuracy of clusters found.
机译：动态空间数据库中的有效聚类目前是许多潜在应用程序中的未解决问题。大多数传统的空间聚类算法是不足的，因为它们没有对增量聚类的有效支持。在本文中，我们提出了DClust，这是一种用于动态空间数据库的新颖聚类技术。 DClust能够提供群集的多分辨率视图，在存在噪声的情况下生成任意形状的群集，生成对输入数据的排序不敏感的群集，并有效地支持增量群集。 DClust利用捕获任意簇形状和大小的密度标准来选择多个代表点，并建立这些代表点的最小生成树（MST），称为R-MST。初始聚类后，将构建聚类结构的摘要。此摘要使您可以快速定位数据更新对当前群集集的影响。我们的实验结果表明，DClust在聚类时间和所发现聚类的准确性方面优于现有的空间聚类方法，例如DBSCAN，C2P，DENCLUE，增量DBSCAN和BIRCH。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号