基于K近邻密度峰值聚类的用户异常值检测.pdf

基于K近邻密度峰值聚类的用户异常值检测

7.1密度峰值聚类算法

DPC算法的基本思想如下：1)密度峰值的局部密度较大，并且被密度均不超过它的邻

错误未找到引用源。

居包围；2)各密度峰值间的距离相对较远!。DPC算法提出了两种变量来表征样



本的密度和距离，即局部密度和到最近更高局部密度样本的相对距离。局部密度

i

iii

的计算公式为：

=x(d−d)

iijc(1)

j

1x0

(x)=(2)

0x0

jd

其中，为样本与之间的欧氏距离，为截断距离。当数据集规模较小时，局部

di

ijc

密度采用高斯核函数计算，计算公式为:

d2

ij

=exp−(3)

id2

jc



样本到较高局部密度样本的最近距离由表示，的计算公式如下:

i

ii

min(d(x,x)),ifjs.t.