针对基于共享最近邻的密度峰聚类算法中的近邻参数需要人为设定的问题,提出了一种基于自适应近邻参数的密度峰聚类算法.首先,利用所提出的近邻参数搜索算法自动获得近邻参数;然后,通过决策图选取聚类中心;最后,根据所提出的代表点分配策略,先分配代表点,后分配非代表点,从而实现所有样本点的聚类.将所提出的算法与基于共享最近邻的快速密度峰搜索聚类(SNN?DPC)、基于密度峰值的聚类(DPC)、近邻传播聚类(AP)、对点排序来确定聚类结构(OPTICS)、基于密度的噪声应用空间聚类(DBSCAN)和K-means这6种算法在合成数据集以及UCI数据集上进行聚类结果对比.实验结果表明,所提出的算法在调整互信息(AMI)、调整兰德系数(ARI)和FM指数(FMI)等评价指标上整体优于其他6种算法.所提算法能自动获得有效的近邻参数,且能较好地分配簇边缘区域的样本点.

共享最近邻;局部密度;密度峰聚类;k-近邻;逆近邻

西华师范大学数学与信息学院,四川南充637009;西华师范大学计算机学院,四川南充637009

[1]周欢欢;郑伯川;张征;张琦-.基于自适应近邻参数的密度峰聚类算法)[J].计算机应用,2022(05):1464-1471

密度峰聚类算法

共享最近邻,搜索算法,决策图,聚类中心,分配策略,有样,样本点,SNN,DPC,密度峰值,近邻传播聚类,AP,定聚,聚类结构,OPTICS,基于密度的噪声应用空间聚类,DBSCAN,means,合成数据集,UCI,结果对比,互信息,AMI,兰德,ARI,FMI,得有,边缘区域,局部密度,逆近邻

0.33821