典型文献
基于局部引力和距离的聚类算法
文献摘要：
密度峰值聚类(DPC)算法对于密度多样、形状复杂的数据集不能准确选择聚类中心,同时基于局部引力的聚类(LGC)算法参数较多且需要手动调参.针对这些问题,提出了一种基于局部引力和距离的聚类算法(LGDC).首先,利用局部引力模型计算数据点的集中度(CE),根据集中度确定每个数据点与高集中度的点之间的距离;然后,选取具有高集中度值和高距离值的数据点作为聚类中心;最后,基于簇的内部点集中度远高于边界点的集中度的思想,分配其余数据点,并且利用平衡k近邻实现参数的自动调整.实验结果表明,LGDC在4个合成数据集上取得了更好的聚类效果;且在Wine、SCADI、Soybean等真实数据集上,LGDC的调整兰德系数(ARI)指标相较DPC、LGC等算法平均提高了0.1447.
文献关键词：
密度峰值聚类;引力聚类;局部引力模型;集中度;距离
中图分类号：
作者姓名：
杜洁;马燕;黄慧
作者机构：
上海师范大学信息与机电工程学院,上海201418
文献出处：
引用格式：
[1]杜洁;马燕;黄慧-.基于局部引力和距离的聚类算法)[J].计算机应用,2022(05):1472-1479
A类：
LGDC,局部引力模型,SCADI,引力聚类
B类：
聚类算法,密度峰值聚类,DPC,聚类中心,LGC,算法参数,算数,据点,CE,高集中度,点集,边界点,余数,近邻,自动调整,合成数据集,Wine,Soybean,真实数据,兰德,ARI
AB值：
0.291024
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。
