摘要：针对密度峰值聚类(DPC)算法在处理结构复杂、维数较高以及同类中存在多个密度峰值的数据集时聚类性能不佳的问题,提出一种基于K近邻和多类合并的密度峰值聚类(KM-DPC)算法.首先利用定义的密度计算方法描述样本分布,采用新的评价指标获取聚类中心;然后结合K近邻思想设计迭代分配策略,将剩余点准确归类;最后给出一种局部类合并方法,以防将包含多个密度峰值点的类分裂.仿真实验结果表明,该算法在22个不同数据集上的性能明显优于DPC算法.

摘要：针对密度峰值聚类算法(DPC)在处理维数较高、含噪声及结构复杂数据集时聚类性能不佳问题,提出一种结合K近邻的改进密度峰值聚类算法(IDPCA)。该算法首先给出新的局部密度度量方法来描述每个样本在空间中的分布情况,然后引入核心点的概念并结合K近邻思想设计了全局搜索分配策略,通过不断将核心点的未分配K近邻正确归类以加快聚类速度,进而提出一种基于K近邻加权的统计学习分配策略,利用剩余点的K近邻加权信息来确定其被分配到各局部类的概率,有效提高了聚类质量。实验结果表明,IDPCA算法在21个典型的测试数据集上均有良好的适用性,而在与DPC算法及另外3种典型聚类算法的性能指标对比上,其优势更为明显。