Kömək
Bu səhifəni kitabınıza əlavə edin
Kitabı göstər (0 səhifə)
Səhifə təklif edinDBSCAN (ing. Density-Based Spatial Clustering of Applications with Noise) — sıxlığa əsaslanan, kənar nöqtələri aşkar edə bilən klasterləşdirmə alqoritmi. 1996-cı ildə Martin Ester, Hans-Peter Kriegel, Jörg Sander və Xiaowei Xu tərəfindən təklif edilib. DBSCAN klasterlərin sayını əvvəlcədən bilmədən, istənilən forma malik qrupları ayırd edə bilməsi ilə K-means və iyerarxik üsullardan fərqlənir.
DBSCAN ilk dəfə 1996-cı ildə KDD konfransında təqdim olunub. “A density-based algorithm for discovering clusters in large spatial databases with noise” adlı məqalədə təsvir edilib və o vaxtdan verilənlər bazaları, maşın öyrənməsi və süni intellekt sahələrində geniş istifadə olunur.[1]
Alqoritm hər bir məlumat nöqtəsini üç sinfə ayırır:
- Nüvə nöqtəsi - ε radiusunda ən azı MinPts qonşusu olan nöqtə.
- Sərhəd nöqtəsi - nüvənin qonşusu olan, lakin özü nüvə olmayan nöqtə.
- Kənar nöqtə - heç bir nüvənin qonşusu olmayan nöqtə.
İlk olaraq ε və MinPts dəyərləri ilə bütün məlumatlar gəzilir. Nüvə tapıldıqda onun sıxlıq-çatan komponenti ilə bir klaster qurulur və klasterin sərhədləri genişləndirilir. Qalan kənar nöqtələr “qurultay” (noise) kimi işarələnir.[2]
- ε (epsilon) - radius; iki nöqtə arası maksimum məsafə.
- MinPts - ε radiusunda axtarılan minimum nöqtə sayı.
Parametrlərin seçimi məlumat dəstinin sıxlığından və sahə biliklərindən asılıdır. Səhv seçim klasterlərin ya çox parçalanmasına, ya da birləşməsinə gətirib çıxara bilər.[3]
- Klasterlərin sayını əvvəlcədən bilməyə ehtiyac yoxdur.
- İstənilən forma malik klasterləri aşkar edir.
- Kənar məlumatları avtomatik ayırır.
- Səssiz verilənlərə qarşı davamlıdır.
Külək enerjisi qısa-müddətli proqnozlarında DBSCAN-RFE-LightGBM kombinasiyası anomal məlumatları təmizləyir və proqnoz dəqiqliyini 1,9 MAE və 3,4 RMSE qədər artırır.[6] Günəş fotovoltaik stansiyaları üçün DBSCAN-SVM mərhələsi PSO-LSTM modelinə hazırlıq mərhələsində istifadə edilərək qeyri-şəffaf havalarda xətanı əhəmiyyətli dərəcədə azaldır.[7]
MSA-iDBSCAN adaptiv metodu Bohai dənizi və Çançyan çay estuarisi AIS trayektoriyalarını klasterləşdirərək gəmi hərəkət rejimlərini daha sıx və daha az xəttlə ayırır; Silhouette əmsalı klassik DBSCAN-a nisbətən 0,15 artaraq 0,73-ə çatır.[8] İctimai nəqliyyat istifadəçilərinin fəaliyyət məkanlarını aşkar etmək üçün Konya (Türkiyə) smart-kart məlumatlarına ST-DBSCAN tətbiq edilmiş və məkansal-zamani fokuslama 12% yaxşılaşdırılmışdır.[9]
Koronar angioqrafiya görüntülərində DBSCAN damar pikselərini birləşdirərək 0,97 accuracy və 0,90 sensitivity ilə damar ağacını seqmentləşdirir.[10] Keyfiyyət Funksiyası Yayımı (QFD) prosesində DBSCAN vacib mühəndislik xüsusiyyətlərini seçmə mərhələsində istifadə edilərək 5 kritik xüsusiyyətin daha sürətli və dəqiq müəyyənləşməsinə imkan verir.[11]
DMD-DBSCAN hibrid üsulu təyyarə modelinin modal parametrlərini 3-D optik ölçmələrdən avtomatik ayırd edir; klassik SSI-yə nisbətən hesablama vaxtı 40% azalır.[12] Gaia DR3 məlumatları əsasında 12 açıq ulduz cəmiyyətində üzvlük DBSCAN ilə 0,2 kpc-dək radiusda 20-yə qədər parlaqlıq limitində (G ≈ 20) təsbit edilmişdir.[13]
Yeraltı qaya sütunlarının kəsilmə xarakteristikası üçün DBSCAN point-cloud məlumatlarında diskontinuitələri 0,85 IOU ilə ayırd edir; kəsilmə tamamlanmadan əvvəl xətası 0,12-dən 0,04-ə düşür.[14] Zr-4 ərintisində lazer kəsmə prosesində DBSCAN kənarlıq xüsusiyyətləri əsasında parametr anomaliyalarını 100% dəqiqliklə tanıyır.[15]
STL-DBSCAN inteqrizi Shanghai anbarlarında DO və pH onlayn monitorinqi üçün 0,91 precision və 0,81 recall ilə məlumat təmizləyir.[16] DBSCAN-FlowSort Anhui əyalətində daşqın risklərini “təhlükə-məruz qalma-həssaslıq” qarşılıqlı təsirlərini nəzərə alaraq FlowSort üsuluna istinad profilləri avtomatik yaradır və yüksək riskli ərazilərin 94% düzgün təsnifatını təmin edir.[17]
GB-DBSCAN qranul-top yanaşması ilə vaxt mürəkkəbliyi O(n²)-dən O(n log n)-ə endirir.[18] NaGB-DBSCAN natural neighbor + qranul-top birləşməsidir; yalnız bir parametr tələb edir və həterogen sıxlıqlı dəstlərdə Purity & NMI > 90% əldə edir.[19] MDBSCAN çox-sıxlıqlı dəstlərdə “böl və hökm et” strategiyası ilə DBSCAN-ın qabaqcıl variantlarından üstün nəticələr verir.[20] Constrained HC-DBSCAN xüsusi ADMMBO hiperparametr optimallaşdırması ilə klaster sayı məhdudlaşdırıla bilir; penalize olunmuş Davies-Bouldin indeksi O(N) hesabı ilə effektivləşir.[21]
| Alqoritm | Klaster sayı | Forma məhdudiyyəti | Kənar aşkarlama | Parametr sayı |
|---|---|---|---|---|
| K-means | Əvvəldən tələb olunur | Kürəvi | Yox | 1 (k) |
| İyerarxik | Əvvəldən və ya kəsilmə | Yox | Zəif | 1-2 |
| DBSCAN | Avtomatik | Yoxdur | Var | 2 (ε, MinPts) |
- ↑ Péter Bíró, Bálint Barna H. Kovács, Tibor Novák, Miklós Erdélyi. "Cluster parameter-based DBSCAN maps for image characterization". Computational and Structural Biotechnology Journal. 27. 2025: 920–927. doi:10.1016/j.csbj.2025.02.037.
- ↑ Tao Long, Yan Jiang, Guoqing Huang, Hao Wang, Liuliu Peng. "An improved SSI method for structural parameter identification using MCKF-based denoising and DBSCAN-based clustering techniques". Structures. 80. 2025: 109907. doi:10.1016/j.istruc.2025.109907.
- ↑ Mohammad Abboush, Christoph Knieke, Andreas Rausch. "Intelligent back-to-back testing with denoising autoencoder-based fault detection and DBSCAN clustering". Results in Engineering. 27. 2025: 105900. doi:10.1016/j.rineng.2025.105900.
- ↑ Jiaxin Qian, You Zhou, Xuming Han, Yizhang Wang. "MDBSCAN: A multi-density DBSCAN based on relative density". Neurocomputing. 576. 2024: 127329. doi:10.1016/j.neucom.2024.127329.
- ↑ Sukkeun Kim, Mengwei Sun, Ivan Petrunin, Hyo-Sang Shin. "DBSCAN-based particle Gaussian mixture filters". Digital Signal Processing. 168. 2026: 105546. doi:10.1016/j.dsp.2025.105546.
- ↑ Zhenlong Wu, Xinyu Fan, Guibin Bian, Yanhong Liu, Xiaoke Zhang, YangQuan Chen. "Short-term wind power forecast with turning weather based on DBSCAN-RFE-LightGBM". Renewable Energy. 251. 2025: 123217. doi:10.1016/j.renene.2025.123217.
- ↑ Yujin Liu, Zhenkai Zhang, Li Ma, Yan Jia, Weihua Yin, Zhifeng Liu. "Short-Term Prediction of Photovoltaic Power Based on DBSCAN-SVM Data Cleaning and PSO-LSTM Model". Energy Engineering. 121 (10). 2024: 3019–3035. doi:10.32604/ee.2024.052594.
- ↑ Hui Sheng, Zheao Huang, Ling Ke, Julin Zhang, Zhe Zeng, Muhammad Yasir, Shanwei Liu. "Multi-scale vessel trajectory clustering: An adaptive DBSCAN method for maritime areas of diverse extents". Ocean Engineering. 334. 2025: 121461. doi:10.1016/j.oceaneng.2025.121461.
- ↑ Fehmi Can Ozer, Hediye Tuydes-Yaman, Gulcin Dalkic-Melek. "Increasing the precision of public transit user activity location detection from smart card data analysis via spatial–temporal DBSCAN". Data & Knowledge Engineering. 153. 2024: 102343. doi:10.1016/j.datak.2024.102343.
- ↑ Kamran Mardani, Keivan Maghooli, Fardad Farokhi. "Segmentation of coronary arteries from X-ray angiographic images using density based spatial clustering of applications with noise (DBSCAN)". Biomedical Signal Processing and Control. 101. 2025: 107175. doi:10.1016/j.bspc.2024.107175.
- ↑ Ya-Juan Han, Miao-Miao Cao, Yun-Fang Peng. "New approach for quality function deployment based on bounded trust consensus model and DBSCAN algorithm". Expert Systems with Applications. 294. 2025: 128528. doi:10.1016/j.eswa.2025.128528.
- ↑ Chengyuan Wu, Zhichun Yang, Shun He. "Efficient modal parameter identification using DMD-DBSCAN and rank stabilization diagrams". Aerospace Science and Technology. 161. 2025: 110112. doi:10.1016/j.ast.2025.110112.
- ↑ M. Raja, P. Hasan, Md. Mahmudunnobe, Md. Saifuddin, S.N. Hasan. "Membership determination in open clusters using the DBSCAN Clustering Algorithm". Astronomy and Computing. 47. 2024: 100826. doi:10.1016/j.ascom.2024.100826.
- ↑ Chuanqi Li, Jian Zhou, Kun Du, Ming Tao. "Enhanced discontinuity characterization in hard rock pillars using point cloud completion and DBSCAN clustering". International Journal of Rock Mechanics and Mining Sciences. 186. 2025: 106005. doi:10.1016/j.ijrmms.2024.106005.
- ↑ Xianmeng Tu, Tian Qin, Xiaoyuan Ji, Zeming Wang, Jialong Chen, Zejun Zhang, Zhiguo Wang, Wei Wang, Yingxiong Qin, Jianxin Zhou. "DBSCAN clustering model for parameter inversion using laser cutting edge morphology characteristic in Zr-4 alloy". Optics & Laser Technology. 184. 2025: 112461. doi:10.1016/j.optlastec.2025.112461.
- ↑ Chenyu Song, Jingyuan Cui, Yafei Cui, Sheng Zhang, Chang Wu, Xiaoyan Qin, Qiaofeng Wu, Shanqing Chi, Mingqing Yang, Jia Liu, Ruihong Chen, Haiping Zhang. "Integrated STL-DBSCAN algorithm for online hydrological and water quality monitoring data cleaning". Environmental Modelling & Software. 183. 2025: 106262. doi:10.1016/j.envsoft.2024.106262.
- ↑ Yan Tu, Zhenxing Tang, Benjamin Lev. "Regional flood risk grading assessment considering indicator interactions among hazard, exposure, and vulnerability: A novel FlowSort with DBSCAN". Journal of Hydrology. 639. 2024: 131587. doi:10.1016/j.jhydrol.2024.131587.
- ↑ Dongdong Cheng, Cheng Zhang, Ya Li, Shuyin Xia, Guoyin Wang, Jinlong Huang, Sulan Zhang, Jiang Xie. "GB-DBSCAN: A fast granular-ball based DBSCAN clustering algorithm". Information Sciences. 674. 2024: 120731. doi:10.1016/j.ins.2024.120731.
- ↑ Ranliang Luo, Tianshuo Li, Rui Pu, Juntao Yang, Dongming Tang, Lijun Yang. "NaGB-DBSCAN: An improved DBSCAN clustering algorithm by natural neighbor and granular-ball". Information Sciences. 719. 2025: 122445. doi:10.1016/j.ins.2025.122445.
- ↑ Jiaxin Qian, You Zhou, Xuming Han, Yizhang Wang. "MDBSCAN: A multi-density DBSCAN based on relative density". Neurocomputing. 576. 2024: 127329. doi:10.1016/j.neucom.2024.127329.
- ↑ Jongwon Kim, Hyeseon Lee, Young Myoung Ko. "Constrained Density-Based Spatial Clustering of Applications with Noise (DBSCAN) using hyperparameter optimization". Knowledge-Based Systems. 303. 2024: 112436. doi:10.1016/j.knosys.2024.112436.