自然最近邻优化的密度峰值聚类算法-计算机科学与探索.PDFVIP

计算机科学与探索 1673-9418/2019/ 13(04)-0711-10 Journal of Frontiers of Computer Science and Technology doi: 10.3778/j.issn. 1673-9418.1804033 * 自然最近邻优化的密度峰值聚类算法 + 金 辉 ，钱雪忠 江南大学 物联网工程学院 物联网技术应用教育部工程研究中心，江苏 无锡 214122 + 通讯作者 E-mail: 953562883@ 摘 要：针对现有的基于密度的聚类算法存在参数敏感，处理非球面数据和复杂流形数据聚类效果差的问题， 提出一种新的基于密度峰值的聚类算法。该算法首先根据自然最近邻居的概念确定数据点的局部密度，然后 根据密度峰局部密度最高并且被稀疏区域分割来确定聚类中心，最后提出一种新的类簇间相似度概念来解决 复杂流形问题。在实验中，该算法在合成和实际数据集中的表现比DPC （clustering by fast search and find of density peaks ）、DBSCAN （density-based spatial clustering of applications with noise ）和K-means 算法要好， 并且在非球面数据和复杂流形数据上的优越性特别大。 关键词：密度峰；自然最近邻居；局部密度；稀疏区域；类簇间相似度 文献标志码：A 中图分类号：TP301.6 金辉, 钱雪忠. 自然最近邻优化的密度峰值聚类算法[J]. 计算机科学与探索, 2019, 13(4): 711-720. JIN H, QIAN X Z. Optimized density peak clustering algorithm by natural nearest neighbor[J]. Journal of Frontiers of Computer Science and Technology, 2019, 13(4): 711-720. Optimized Density Peak Clustering Algorithm by Natural Nearest Neighbor + JIN Hui , QIAN Xuezhong 索 Engineering Research Center of Internet of Things Technology Applications Ministry of Education, School of Internet of Things Engineering, Jiangnan University, Wuxi, Jiangsu 214122, China 探 与 Abstract: Aiming at the problem that the existing density-based clustering algorithm is sensitive to parameters and the clustering result of aspheric data and complex manifold data is bad, a new clustering algorithm based on density 学 g peak is proposed. The algorithm first determines the local density of data based on the natural nearest neighbor, and 科 r then determines the clustering center based on which density peaks have the