A k-Deviation Density Based Clustering Algorithm

Due to the adoption of global parameters, DBSCAN fails to identify clusters with different and varied densities. To solve the problem, this paper extends DBSCAN by exploiting a new density definition and proposes a novel algorithm called k-deviation density based DBSCAN (kDDBSCAN). Various datasets...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Veröffentlicht in:	Mathematical problems in engineering Jg. 2018; H. 2018; S. 1 - 16
Hauptverfasser:	Jun, Li, Dongyong, Yang, Jinyin, Chen, Jungan, Chen
Format:	Journal Article
Sprache:	Englisch
Veröffentlicht:	Cairo, Egypt Hindawi Publishing Corporation 01.01.2018 Hindawi John Wiley & Sons, Inc
Schlagworte:	Algorithms Artificial intelligence Bioinformatics Clustering Clusters Computer science Datasets Density Deviation Engineering International conferences Neighborhoods Noise Parameter identification Probability distribution Similarity measures
ISSN:	1024-123X, 1563-5147
Online-Zugang:	Volltext
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Schreiben Sie den ersten Kommentar!