典型文献
基于加权共享近邻与累加序列的密度峰值算法
文献摘要：
密度峰值聚类(DPC)算法在对密度分布差异较大的数据进行聚类时效果不佳,聚类结果受局部密度及其相对距离影响,且需要手动选取聚类中心,从而降低了算法的准确性与稳定性.为此,提出一种基于加权共享近邻与累加序列的密度峰值算法DPC-WSNN.基于加权共享近邻重新定义局部密度的计算方式,以避免截断距离选取不当对聚类效果的影响,同时有效处理不同类簇数据集分布不均的问题.在原有DPC算法决策值的基础上,生成一组累加序列,将累加序列的均值作为聚类中心和非聚类中心的临界点从而实现聚类中心的自动选取.利用人工合成数据集与UCI上的真实数据集测试与评估DPC-WSNN算法,并将其与FKNN-DPC、DPC、DBSCAN等算法进行比较,结果表明,DPC-WSNN算法具有更好的聚类表现,聚类准确率较高,鲁棒性较强.
文献关键词：
密度峰值聚类算法;局部密度;加权共享近邻;累加序列;聚类中心
中图分类号：
作者姓名：
王芙银;张德生;肖燕婷
作者机构：
西安理工大学 理学院,西安 710054
文献出处：
引用格式：
[1]王芙银;张德生;肖燕婷-.基于加权共享近邻与累加序列的密度峰值算法)[J].计算机工程,2022(04):61-69
A类：
加权共享近邻,累加序列,WSNN
B类：
密度峰值算法,DPC,密度分布,分布差异,局部密度,相对距离,距离影响,聚类中心,重新定义,计算方式,截断距离,算法决策,临界点,自动选取,人工合成,合成数据集,UCI,真实数据,FKNN,DBSCAN,密度峰值聚类算法
AB值：
0.194688
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。
