典型文献
一种优化初始点与自适应半径的密度聚类算法
文献摘要：
传统DBSCAN算法不能正确聚类密度不均匀的数据集,聚类结果受邻域阈值和密度阈值参数的影响较大.提出一种新的优化初始点和自适应半径的密度聚类算法.利用反向最近邻和相似度矩阵发现当前全局密度最大的数据样本,分析该样本周围密度的分布情况,采用自适应的方法计算当前簇的邻域阈值,并利用DBSCAN算法进行聚类.在人工数据集和UCI数据集上进行测试的结果表明,与经典的DBSCAN、OPTICS、RNN-DBSCAN算法相比,优化初始点和自适应半径的密度聚类算法在ARI、NMI、Homogeneity、Completeness和V-measure 5个评价指标上整体取得最优值,其中在Compound、Jain等数据集上达到1.0,具有较高的聚类效率和准确度.
文献关键词：
密度聚类;初始点优化;反向最近邻;自适应半径;相似度矩阵
中图分类号：
作者姓名：
王治和;曹旭琰;杜辉
作者机构：
西北师范大学 计算机科学与工程学院,兰州 730070
文献出处：
引用格式：
[1]王治和;曹旭琰;杜辉-.一种优化初始点与自适应半径的密度聚类算法)[J].计算机工程,2022(01):51-59
A类：
自适应半径,反向最近邻,Completeness,初始点优化
B类：
密度聚类算法,DBSCAN,邻域,密度阈值,阈值参数,相似度矩阵,阵发,本周,UCI,OPTICS,RNN,ARI,NMI,Homogeneity,measure,最优值,Compound,Jain,上达
AB值：
0.260812
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。
