控制理论与应用

作者：吕莉,朱梅子,康平,韩龙哲

单位：南昌工程学院,南昌工程学院,南昌工程学院,南昌工程学院

关键词：密度峰值聚类; 局部密度; 自然近邻; 共享近邻; 样本相似性

基金：国家自然科学基金项目(62066030, 61962036)资助.

密度峰值聚类算法(DPC)的局部密度忽略了密度分布不均数据的疏密差异, 易导致类簇中心聚集在密集区域; 其分配策略在分配剩余样本时, 易将稀疏区域样本错误分配到密集区域, 致使聚类效果不佳. 为克服上述缺陷,本文提出了面向密度分布不均数据的混合近邻密度峰值聚类(MN-DPC)算法. 首先, 利用自然近邻信息定义样本的局部密度, 平衡稀疏区域与密集区域样本之间的密度差异, 从而正确找到稀疏区域的类簇中心; 其次, 利用样本之间的共享及自然近邻信息对样本相似度进行加权处理, 加强了同一类簇样本间的相似度, 有效的避免稀疏区域样本被错误分配. 本文将MN-DPC算法与IDPC-FA, DPC-DBFN, DPCSA, FNDPC, FKNN-DPC, DPC算法进行对比. 实验结果表明, MN-DPC算法能有效聚类密度分布不均及UCI数据集.

来源：2024年第10期

《控制理论与应用》期刊编辑部

查看控制理论与应用杂志2024年第10期