我们重温经典DBSCAN算法提出了一系列的策略来提高其鲁棒性不同的密度和效率。与原来的DBSCAN不同,我们首先使用二进制当地敏感哈希(激光冲徊化),使区域查询快<我nline-formula>
k
一个数据点的邻居。基于二进制数据表示方法<我nline-formula>
k
社区然后提出数据集映射到汉明空间集群更快扩张。我们定义了一个核心观点基于二进制影响空间不同密度提高鲁棒性。此外,我们提出一个种子点选择方法,该方法是基于空间和影响<我nline-formula>
k
社区相似度来选择一些种子点,而不是所有的邻居在集群扩张。因此,区域查询可以减少的数量。实验结果表明,改进的算法能够极大地提高聚类速度的前提下确保更好的算法聚类的准确性,特别是对大规模数据集。