2019，55（5）
⦾热点与综述⦾
1 引言
DBSCAN 算法是基于密度的空间聚类算法中的典
型代表，可以将高密度点区域划分为簇，并有效地滤除
低密度点区域，可以在含有噪声的数据集中实现任意形
状的聚类。DBSCAN 算法需要确定 Eps 和 MinPts 两个
参数，用来表示描述数据点分布的紧密程度，并将具有
足够密度的区域划分为簇，形成满足密度相连的点的最
大集合，因此 DBSCAN 算法对 Eps 和 MinPts 参数十分
敏感，取值不当会导致聚类效果变差甚至不正确。当
前，许多国内外学者针对自适应确定 DBSCAN 算法参
数进行了研究，Yue 等
[1]
提出一种基于数据统计信息确
定 Eps 参数的算法，通过该算法可以在更广的范围内搜
索 Eps 参数，但是该算法中 MinPt s 参数恒定设置为 4，不
能很准确地反映数据集的分布特性。Sunita 等
[2]
根据数
自适应确定 DBSCAN 算法参数的算法研究
李文杰，闫世强，蒋 莹，张松芝，王成良
空军预警学院，武汉 430019
摘 要：传统 DBSCAN 算法需要人为确定
Eps
和
MinPts
参数，参数的选择直接决定了聚类结果的合理性，因此提出
一种新的自适应确定 DBSCAN 算法参数算法，该算法基于参数寻优策略，通过利用数据集自身分布特性生成候选
Eps
和
MinPts
参数 ，自动寻找聚类结果的簇数变化稳定区间 ，并将该区间中密度阈值最少时所对应的
Eps
和
MinPts
参数作为最优参数。实验结果表明 ，该算法能够实现聚类过程的全自动化并且能够选择合理的
Eps
和
MinPts
参数，得到了高准确度聚类结果。
关键词：DBSCAN 算法 ；自适应；参数寻优 ；K-平均最近邻法
文献标志码：A 中图分类号：TP301 doi：10.3778/j.issn.100 2-8331.1809-0018
李文杰，闫世强，蒋莹，等 .自适应确定 DBSCAN 算法参数的算法研究 . 计算机工程与应用，2019，55（5）：1-7.
LI Wenjie, YAN Shiqiang, JIANG Ying, et a l. Resea rch on method of self-adaptive determination of DBSCAN a lgorithm
par ameters. Compute r Engineering and Applications, 2019, 55（5）：1-7.
Research on Method of S elf-Adaptive Determination of DBSCAN Alg orithm Parameters
LI Wenjie, YAN Shiqi ang, JIANG Ying, ZHANG Songzhi, WANG Chengliang
Air Force Early Warning Academy, Wuhan 430019, China
Ab stract：The traditional DBSCAN algorithm needs to manual ly determine Eps and MinPts parameters, and the choice
of parameters directly determin es the rationality o f the clusterin g results, thus this paper puts forward a new self-ada ptive
parameter determination method for DBSCAN algorithm. The method, based on the parameter optimizati on strategy,
uses the data set’s own distribution characteristics to generate candidate Eps and MinPts parameters, automatically finds the
cluster number c han ge stable interval of the clustering result, and uses the Eps and MinPts par ameters corresponding to
the minimum density threshold in the interval as the optimal paramete rs. The experimental results show that the method
can fully automate t he clustering process and can select reas ona ble Eps and MinPts parameters, and the method obtains
clustering results with high accuracy.
Key words：DBSCAN algorithm; self-adaptive; parameter optimization; K-average neare st neighbor
基金项目：国家自然科学基金（No.615 03410）。
作者简介：李文杰（1991—），男，博士研究生，研究领域为军事装备学，装备运用方向，E-mail：kfcvs@qq.com；闫世强（1963—），男，
博士，教授，博士生导师，研究领域为军事装备学。
收稿日期：2018-09-04 修回日期：2018-12-13 文章编号：1002-8331（2019）05-0 001-07
Computer Engineering and Applications 计算机工程与应用
1
评论0