K近邻优化的密度峰值快速搜索聚类算法_谢娟英.pdfVIP

中国科学 信息科学 年 第 卷 第 期 SCIENTIA SINICA Informationis 论 文 近邻优化的密度峰值快速搜索聚类算法 * 谢娟英 高红超 谢维信 陕西师范大学计算机科学学院, 西安 710061 深圳大学信息工程学院 ATR 国家重点实验室, 深圳 518006 * 通信作者. E-mail: xiejuany@ 收稿日期: 2015–08–26; 接受日期: 2015–09–21; 网络出版日期: 2016–01–22 国家自然科学基金项目(批准号:、陕西省科技攻关项目 (批准号: 2013K12-03-24) 和中央高校基本科研业务费专项基金 项目 (批准号: GK201503067) 资助 摘要 针对 年 月发表在 的密度峰值点快速搜索聚类算法的样本局部密度定义和样 本分配策略的缺陷 提出一种基于 近邻的快速密度峰值搜索并高效分配样本的聚类算法 算法利 用样本点的 近邻信息定义样本局部密度 搜索和发现样本的密度峰值 以峰值点样本作为初始类 簇中心 提出两种基于 近邻的样本分配策略 依次分配样本到相应类簇中心 得到数据集样本的 分布模式 理论分析和在经典人工数据集、 数据集及 人脸数据集的对比实验表明 提出 的基于 近邻的密度峰值搜索聚类算法能快速发现任意形状、任意维度和任意规模数据集的类簇 中心 并合理分配样本到相应类簇 揭示数据集样本的分布模式 对噪声数据具有非常好的鲁棒性 聚类结果优于 年 月发表在 的密度峰值点快速搜索聚类算法 以及经典聚类算法 和 本文算法是一种非常有效的聚类算法 可用于发现任意数据集的隐藏模式与 规律 关键词 近邻 局部密度 密度峰值 类簇中心 聚类 引言 聚类是根据数据对象 (样本) 之间的相似性将数据集样本划分成合理类簇的过程, 聚类结果使得 同一类簇内的对象具有较高相似性, 不同类簇间的对象相似性较低∼ . 聚类是最重要的认识和了解 世界的方式, 借助聚类可以从数据中发现知识, 揭示隐藏的模式和规律, 广泛应用在科学数据分析和 工程系统等领域∼ . 大数据背景下的海量和多样数据的存在, 使得具有自动理解、处理和概括数据 的聚类算法研究迫在眉睫 . 聚类算法包括划分式聚类方法、层次聚类方法、基于密度的聚类方法和基于网格的聚类方法, 以 及集成式聚类算法 . K-means 是应用范围最广的划分式聚类算法 . 然而, K-means 算法的聚类 结果严重依赖于初始类簇中心, 很难发现非凸形状的簇, 对噪声点和离群点敏感, 且类簇数K 需要事 先设定 . 针对K-means 的缺陷, 出现了GKM (Global K-means) 算法 等诸多改进算法 . 引用格式 谢娟英 高红超 谢维信 近邻密度峰值快速搜索聚类 中国科学 信息科学 ⃝ 《中国科学》杂志社 中国科学 信息科学 第 卷 第 期 基于密度的聚类算法DBSCAN (density based spatial clustering of applications with noise) 能发现 任意形状的簇, 在邻域半径参数 ϵ 和核心对象邻域包含的最少样本数参数 MinPts 设置适当时, 能快 速发现含噪声空间中任意形状的类簇 , 但如何设置这两个参数缺乏理论依据. 近邻传播聚类算 法 AP (affinity propagation) 将所有样本看作网络中的一个顶点, 通过反复迭代交换近邻样本间的 信息, 寻找最优的类代表点样本集合, 使所有样本与最近类代表点样本的相似度之和最大