• •
基于相对参量的自适应密度峰值聚类算法
邵壮
- 西安电子科技大学
Adaptive density peak clustering based on comparative quantities
摘要: 摘要:密度峰值聚类(DPC)算法自2014年被发表在Science杂志上后,因其简洁性和有效性得到广泛讨论及应用。然而,研究发现DPC算法有一些明显缺点。针对密度峰值聚类(DPC)算法的缺陷,提出了一种基于相对参量的自适应密度峰值聚类(ACDPC)算法,该算法通过引入新参量相对局部密度来判断簇中心,削弱了数据集中不同簇的密度不同对聚类效果的影响,通过使用新参量相对连通距离来衡量簇间的相似性,消除了数据集中不同簇的尺寸大小不同对聚类效果的影响,增强了算法在不同数据集上的适用性;算法通过构造相对局部密度信息熵函数,可根据数据集的特点,自适应的确定相关参数,增强了算法的智能性;算法采用新的点分配策略,避免了链式反应。实验结果表明,ACDPC算法相较于标准DPC算法及其改进算法,其聚类性能得到较大提升。
中图分类号: