...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>International Journal of Simulation & Process Modelling >K-DBSCAN: an efficient density-based clustering algorithm supports parallel computing
【24h】

K-DBSCAN: an efficient density-based clustering algorithm supports parallel computing

机译：K-DBSCAN：基于有效的基于密度的聚类算法支持并行计算

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

DBSCAN is the most representative density-based clustering algorithm and has been widely used in many fields. However, the running time of DBSCAN is unacceptable in many actual applications. To improve its performance, this paper presents a new 2D density-based clustering algorithm, K-DBSCAN, which successfully reduces the computational complexity of the clustering process by a simplified k-mean partitioning process and a reachable partition index, and enables parallel computing by a divide-and-conquer method. The experiments show that K-DBSCAN achieves remarkable accuracy, efficiency and applicability compared with conventional DBSCAN algorithms especially in large-scale spatial density-based clustering. The time complexity of K-DBSCAN is O ( N ~(2)/ KC ), where K is the number of data partitions, and C is the number of physical computing cores.
机译：DBSCAN是最代表性的基于密度的聚类算法，已广泛用于许多领域。 但是，在许多实际应用中，DBSCAN的运行时间是不可接受的。 为了提高其性能，本文提出了一种新的基于2D密度的聚类算法K-DBSCAN，它通过简化的k均值分区过程和可达分区索引成功降低了聚类过程的计算复杂性，并且可以通过 分裂和征服方法。 实验表明，与常规DBSCAN算法相比，K-DBSCAN与常规DBSCAN算法相比，尤其是在基于大规模的空间密度的聚类中的比较。 K-DBSCAN的时间复杂性是O（n〜（2）/ kc），其中k是数据分区的数量，C是物理计算核的数量。

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