文献类型：期刊文章

作　　者：陈新泉[1,2] 周灵晶[1] 刘耀中[3]

CHEN Xinquan ZHOU Lingjing LIU Yaozhong(Key Laboratory of Intelligent lnformation Processing and Control, Chongqing Three Gorges University, Chongqing 404100, China Big Data Research Center, University of Electronic Science and Technolog）, of China, Chengdu 611731, China Tarim OilfieM Company ofPetroChina, Koler 841000, China)

机构地区：[1]重庆三峡学院智能信息处理与控制重点实验室,重庆404100 [2]电子科技大学大数据研究中心,成都611731 [3]中国石油塔里木油田分公司,库尔勒841000

出　　处：《集成技术》

基　　金：重庆市基础与前沿研究计划项目(cstc2016jcyj A0521;cstc2016jcyj A2033);重庆三峡学院科学研究项目计划资助(16PY08);重庆市高校市级重点实验室资助项目(C16)

年　　份：2017

卷　　号：6

期　　号：3

起止页码：41-49

语　　种：中文

收录情况：JST、RCCSE、普通刊

摘　　要：聚类是数据挖掘研究领域的一种重要数据预处理方法,其目的是从无标签数据集中获得有价值数据集的内在分布结构,进而简化数据集的描述。历经几十年的研究,针对不同应用和数据特性已出现了千余种不同的聚类算法,但不同的聚类算法都有其特定的适用范围和不足。传统的聚类算法大致可分为划分聚类方法、层次聚类方法、密度聚类方法、网格聚类方法、模型聚类方法等。通过对传统聚类方法的回顾和总结,文章重点介绍了近年来出现的同步聚类算法、信念传播聚类算法和密度峰值聚类算法,并针对以上聚类算法的应用及发展方向进行了论述。

关 键 词：数据挖掘 聚类 信念传播  同步聚类  密度峰值  

分 类 号：TP311.13]