基于K近邻的模糊密度峰值聚类算法研究.PDFVIP

2017 年 软 件 2017, Vol . 38, No . 4 第 3 8 卷 第 4 期 COMPUTER ENGINEERING SOFTWARE 国际 IT 传媒品牌 基金项玛办文 基 K 近邻的模糊密度峰值聚类算法研究 支 元 ，李 忠 (江苏联合职业技术学院常州刘国钧分院，江 苏 常 州 213000) 摘 要 ：基于密度的聚类算法（DensityPeakClustering ，DPC) 广泛使用在处理非球形数据集的聚类问题，算 法使用较少的参数就能够实现数据集的处理。但该算法存在这样一些的不足：首先，全局变量的设定没有考虑数据 的局部结构，特别是当不同类别的局部密度差别很大的情况下，容易忽略一些密度较小的类别，聚类效果不理想。 其次，DPC提出了一种通过决策图来人工选取聚类中心点的方法，这也是 DPC算法在人工智能数据分析的一个重 大缺陷。为此，本文提出了基 K 近邻的模糊密度峰值聚类算法，算法针对这两方面的不足进行了改进。最后本文 使用人工数据集和UCI数据集进行了实验，实验结果表明本文所提出的算法，在不通过人工选取聚类中心的情况下， 能够正确地找出类别个数，并且保持着较高的聚类精确度，验证了算法的有效性。 关键词：数据挖掘，聚类算法，密度峰值，K 近邻 中图分类号：TP 301.6 文献标识码： A D O I : 10.3969/j .issn .l 003-6970.2017.04.015 本文著录格式 ：支元，李忠.基 K 近邻的模糊密度峰值聚类算法研究 [J ].软件，2017, 38 (4): 85-90 Fuzzy Density Peaks Clustering Algorithm Based on K-nearest Neighbors ZHI Yuan , LI Zhong {Jiangsu Union Technical Institute Changzhou Liu Guojun Branch, Changzhou 213000, China) 【Abstract 】： A novel clustering algorithm based on density (DPC) has been proposed recently， this algorithm can deal with non-spherical cluste and does not require too many parameters . But the algorithm has some defects. First the local structure of data has not been taken into account when it calculates the local density. It does not perform well when clusters have different densities. Secondly, this algorithm utilizes decision graph to manually select cluste centers. Manual selection of cluste centers is a big limitation of DPC in intelligent data analysis. In this pape , we propose an improved method . It has been improved fo the deficiencies in these two aspects. We use synthetic data set and UCI data set to make the experiments. Experimental results show