典型文献
加权最近邻分配的局部间隙密度聚类
文献摘要：
变密度高维数据局部间隙密度聚类(Local Gap Density for Clustering High Dimensional Data with Varying Densities,LGD)算法是密度聚类中的一种改进方法,该算法在分配时选取代表点,并以链的形式进行分配,所以会形成"链式错误".针对上述问题,提出一种加权最近邻分配的局部间隙密度聚类(Weighted Nearest Neighbor Distribution of Local Gap Density Clustering,WKNN-LGD)算法,采用类似半监督学习的方法,利用得到的聚类信息,把未分配的点分配给最可能的簇.该算法充分考虑数据间的结构关联性,并在传播的过程中不断更新数据的状态,利用更充分的信息提高分配正确率.WKNN-LGD算法主要有三个步骤:首先,计算局部间隙密度,并根据阈值区分核心点和边界点;然后,删除交叉边,并根据最大顶点基数形成簇骨干;最后,利用加权K近邻分配方法,将剩余点分配到形成的簇骨干中,形成最终簇.在人工数据集和真实数据集上,和目前主流的聚类算法进行比较验证,实验结果表明,WKNN-LGD算法在性能和鲁棒性方面表现优越,并可以处理流形和非线性等复杂数据.
文献关键词：
聚类;密度聚类;加权最近邻;标签分配
中图分类号：
作者姓名：
宋鹏;葛洪伟;乔宇鑫
作者机构：
江苏省模式识别与计算智能工程实验室(江南大学),无锡,214122;江南大学人工智能与计算机学院,无锡,214122
文献出处：
引用格式：
[1]宋鹏;葛洪伟;乔宇鑫-.加权最近邻分配的局部间隙密度聚类)[J].南京大学学报（自然科学版）,2022(05):827-835
A类：
加权最近邻
B类：
局部间隙,密度聚类,变密度,密度高,高维数据,Local,Gap,Density,Clustering,High,Dimensional,Data,Varying,Densities,LGD,改进方法,Weighted,Nearest,Neighbor,Distribution,WKNN,半监督学习,用得,未分,配给,结构关联,不断更新,新数据,核心点,边界点,删除,大顶,顶点,基数,分配方法,余点,配到,真实数据,聚类算法,流形,复杂数据,标签分配
AB值：
0.408663
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
