密度峰值聚类算法的改进及其应用.pdfVIP

摘要 摘 要 数据是新时代每个行业的隐形资产，能够挖掘出数据中蕴含的信息则能够助 力行业快速发展以及产业的快速转型升级。聚类算法是一种无监督的数据分析 工具，探究数据集其结构信息和数据样本相似关系，通过把数据样本进行分类 的方式有效地处理海量数据。因此，各个领域都在广泛应用，如：模式识别、 图像分析、信息提取、数据压缩和网络安全等。密度峰值聚类(DPC )是一种基于 密度的聚类方法，该算法提出将数据样本点的局部密度以及相对距离相结合的 概念，它不仅可以对任意形状数据集进行划分，还提出了新颖的剩余数据样本 点分配的策略，并可以对离群点进行剔除。但其存在缺点，第一，截断距离依 赖于人为设置，第二，现有局部密度计算方式不够合理，第三，以简单几何距 离为主的数据样本距离测度方法存在弊端。基于此，本文主要研究内容如下： （1）基于L 1 范数的多密度峰值聚类算法研究。为了解决DPC 算法在对于 密切相邻的类簇可能将其识别为一类的问题，本文在原始密度峰值聚类中引入 疑似聚类中心概念，研究基于L 1 范数的多密度峰值聚类算法。该算法利用概率 分布对数据点的决策值进行聚类中心的选择，并对其进行数据点分配，最后利 用Warshall 算法对疑似类簇进行类簇合并得到最终的聚类结果。 （2 ）基于随机游走的密度峰值聚类算法研究。针对原始DPC 算法只是采用 简单的欧式距离来刻画数据点之间的距离，本文讨论了基于随机游走的密度峰 值聚类算法，该算法引用随机游走，通过随机游走来刻画数据点之间的距离， 体现数据集的结构分布。实验结果表明，基于随机游走的密度峰值聚类算法在 对数据类簇分布广泛的数据集的聚类效果显著。 3 （）基于密度峰值聚类算法的连续属性离散化研究。无监督性是密度峰值 聚类算法特性，因此可以将密度峰值聚类算法应用在连续性属性的离散化，本 文开展了一种基于密度峰值聚类算法的连续属性离散化。密度峰值聚类算法在 对连续属性进行离散化时并不需要进行迭代，相较于传统的方法能够缩短时间， 提高算法效率，实验验证了其离散化效果。 关键词：聚类；密度峰值；随机游走；无监督性；离散化 II 目录 目 录 第1 章 引言 1 1.1 研究背景 1 1.2 国内外研究现状及分析 1 1.2.1 密度峰值聚类算法的研究现状2 1.2.2 连续属性离散化的研究现状4 1.3 本文主要创新点与组织结构4 1.3.1 主要创新点 5 1.3.2 论文组织结构 5 第2 章 相关理论概述 7 2.1 聚类分析简介 7 2.2 基于密度的聚类算法概述 8 2.2.1 DBSCAN 算法8 2.2.2 OPTICS 算法 9 2.2.3 密度峰值聚类算法概述 9 2.3 聚类评价指标 11 2.3.1 外部有效性指标 11 2.3.2 内部有效性指标 13 第3 章 基于L 1 范数的多密度峰值聚类算法15 3.1 基于L 1 范数的多密度峰值聚类算法分析15 3.1.1 算法相关定义 15 3.1.2 数据点分配方法 17 3.1.3 算法流程 17 3.2 实验结果与分析 18 3.2.1 实验设计 18 3.2.2 人工可视化数据集实验结果分析 19 V