基于近邻规则的密度分层聚类算法研究.pdfVIP

摘要

密度聚类从数据对象密度的角度考察数据间的相似程度，并根据相似程度不断扩展

直到获得最终的聚类结果。现有的密度聚类算法因适用任意形状的数据集、思想易于理

解、可视化能力强被人们广泛应用。但传统的基于密度的聚类算法仍然存在两处不足，

一是不能有效处理密度差异大的数据集，二是聚类结果过度依赖参数的取值。本篇论文

针对上述不足之处，提出了两种新的改进方法。

首先，本文提出了一种基于最近邻的密度分层聚类算法。该算法使用最近邻的固有

特性设计了一种初始微小簇的构建方法并利用高斯混合模型进行密度区域的划分，继而

对初始微小簇进行融合。其中，初始微小簇的构建能够准确反映数据集的局部密度；同

时，利用高斯混合模型可以解决数据集中包含多个不同密度分布的情况，能够有效处理

密度分布差异大的数据集。

其次，本文提出了一种基于自然邻居的密度分层聚类算法。该算法利用自然邻居自

动迭代搜索算法获取特征值，并利用获得的参数进行噪声数据的去除和相对局部密



度的估计；然后利用高斯混合模型进行密度区域划分，对不同密度的数据分别建立初始

簇；最后再进行融合得到最终的聚类结果。该算法通过自然邻居的基本特性对数据对象

的相对局部密度进行估计，能够准确反映数据的密度及分布，有效改善了传统的密度聚

类算法的参数敏感问题，聚类精度得到了提升。

本篇论文利用近邻规则的基本思想对局部密度进行估计，改善了参数敏感的问题；

同时，利用高斯混合模型将数据集划分为不同的密度区域，改善了在密度分布差异大的

数据集上的聚类结果。为了证明本文提出的算法的可行性，在人工数据集和UCI真实数

据集上进行了对比实验，并使用三个指标对实验结果进行系统分析，实验结果表明本文

的算法具有较高的聚类性能。

关键词：密度聚类；最近邻；自然邻居；高斯混合模型

AStudyofDensityHierarchicalClusteringAlgorithmbasedonNeighbor

Rule

Abstract

Byestimatingthedensityofdataobjects,densityclusteringexaminesthesimilarity

betweeninstancesfromthedensityperspectiveandfurtherexpandsaccordingtothesimilarity

untilthefinalclusteringresultisobtained.Existingdensityclusteringalgorithmsarewidely

usedinvariousfieldsbecausetheyaresuitablefordatasetsofanyshapeandhavestrong

interpretabilityandvisualizationcapabilities.However,thetraditionaldensity-basedclustering

algorithmstillhastwodeficiencies.Oneisthatitcannoteffectivelydealwithdatasetswith

significantdifferencesindensity,andtheotheristhattheclusteringresultsareoverlydependent

onthevalueoftheparameters.Thisthesisproposestwonewimprovementmethodsforthe

aboveshortcomings.

Firstly,thisworkproposesanearest-neighborbased