自适应稀疏感知密度峰值聚类算法.pdfVIP

计算机系统应用

ISSN

1003-3254,

CODEN

CSAOBNE-mail:

csa@

2025,34(2):195−205

[doi:

10.15888/ki.csa.009770]

[CSTR:

32024.14.csa.009770]

©中国科学院软件研究所版权所有.Tel:

+86-10

自适应稀疏感知密度峰值聚类算法①

李欣娅,

何星星,

任芮彬

(西南交通大学

数学学院,

成都

611756)

通信作者:

何星星,

E-mail:

x.he@

摘要:

密度峰值聚类(density

peaks

clustering,

DPC)算法通过考虑局部密度和相对距离来识别簇中心以实现聚类.

然而,

该算法在处理密度分布不均匀和类簇大小不平衡的数据时容易忽视低密度区域的类簇中心,

需要人为设定类

簇数量,

并且其分配策略中一个数据点分配错误会导致后续点的错误分配.

为了解决上述问题,

本文提出一种自适

应稀疏感知密度峰值聚类算法.

首先,

引入模糊点概念以降低对子簇合并过程的影响;

其次,

利用减法聚类方法识别

低密度区域的中心;

然后,

根据新的局部密度和反向最近邻数来识别噪声并更新子簇中心;

最后,

给出改进的全局交

叠度,

结合全局可分度指导子簇融合,

并在这些度量下自动确定聚类结果.

实验结果表明,

在合成数据集和UCI数

据集上,

与DPC及其改进算法相比,

本文提出的算法能够更好地识别稀疏簇、减少非中心分配带来的连锁反应,

自

动确定最优类簇数目并获得更加准确的聚类结果.

关键词:

聚类分析;

密度峰值;

减法聚类方法;

反向近邻;

子簇融合

引用格式:

李欣娅,何星星,任芮彬.自适应稀疏感知密度峰值聚类算法.计算机系统应用,2025,34(2):195–205.

/1003-3254/

9770.html

AdaptiveSparse-awareDensityPeaksClusteringAlgorithm

LI

Xin-Ya,

HE

Xing-Xing,

REN

Rui-Bin

(School

of

Mathematics,

Southwest

Jiaotong

University,

Chengdu

611756,

China)

Abstract:

The

density

peaks

clustering

(DPC)

algorithm

achieves

clustering

by

identifying

cluster

centers

based

on

local

density

and

relative

distance.

However,

it

tends

to

overlook

cluster

centers

in

low-density

regions

for

data

with

uneven

density

distribution

and

unbalanced

cluster

sizes.

Therefore,

the

number

of

clusters

needs

to

be

set

artificially.

Besides,

if

a

data

point

allocation

occurs

to

be

wrong

in

the

whole

strategy,

it

will

lead

to

incorrect

allocation

of

subsequent

points.

To

address

these

issues,

this

study

proposes

an

adaptive

sparse-aware

density

peaks

clustering

algorithm.

Firstly,

fuzzy

points

are

introduced

to

minimize

their

impact

on

the

subcluster

merging

process.

Secondly,

the

subtractive

clustering

method

is

used

to

identi