典型文献
密度峰值聚类算法研究进展
文献摘要：
密度峰值聚类(density peaks clustering, DPC)算法是聚类分析中基于密度的一种新兴算法, 该算法考虑局部密度和相对距离绘制决策图, 快速识别簇中心, 完成聚类. DPC具有唯一的输入参数, 且无需先验知识, 也无需迭代. 自2014年提出以来, DPC引起了学者们的极大兴趣, 并得到了快速发展. 首先阐述DPC的基本理论, 并通过与经典聚类算法比较, 分析了DPC的特点; 其次, 分别从聚类精度和计算复杂度两个角度分析了DPC的弊端及其优化方法, 包括局部密度优化、分配策略优化、多密度峰优化以及计算复杂度优化, 并介绍了每个类别的主要代表算法; 最后介绍了DPC在不同领域中的相关应用研究. 对DPC的优缺点提供了全面的理论分析, 并对DPC的优化以及应用进行了全面阐述. 还试图找出进一步的挑战来促进DPC研究发展.
文献关键词：
密度峰值聚类;聚类精度;计算复杂度;应用
中图分类号：
作者姓名：
徐晓;丁世飞;丁玲
作者机构：
中国矿业大学 计算机科学与技术学院, 江苏 徐州 221116;矿山数字化教育部工程研究中心, 江苏 徐州 221116
文献出处：
引用格式：
[1]徐晓;丁世飞;丁玲-.密度峰值聚类算法研究进展)[J].软件学报,2022(05):1800-1816
A类：
B类：
密度峰值聚类算法,算法研究,density,peaks,clustering,DPC,基于密度,法考,局部密度,相对距离,决策图,快速识别,簇中心,输入参数,先验知识,大兴,算法比较,聚类精度,计算复杂度,分配策略,策略优化,相关应用,出进,研究发展
AB值：
0.331197
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。
