摘要：为克服当前密度聚类算法存在的随机性、主观性和连带错误等问题,提出一种基于两阶段搜索的密度聚类算法。给出密度阈值和簇最近邻定义及计算方法。采用密度排序、簇最近邻分配和自适应搜索策略构建算法的两阶段聚类机制,设计邻域递归搜索和簇最近邻搜索两个阶段的聚类算法,实现不同密度数据点的准确聚类。8个数据集聚类实验结果表明,该密度聚类算法聚类稳定,无噪声,且自动确定类簇数,聚类精度优于比较的密度聚类算法。

摘要：针对密度峰值聚类算法在截断距离选取存在主观性依赖和非簇中心点的分配策略易出错的问题,提出一种结合模拟退火和多分配策略的密度峰值聚类算法(SA-DPC)。首先,利用模拟退火的启发式搜索找到全局最优的截断距离,设计以标准互信息(NMI)为目标函数的参数寻优模型;然后,从簇中心点开始以广度优先搜索的方式进行密度拓展;最后,找出雏形簇最近邻点依次分配。8个人工合成数据集的实验结果表明,改进的算法降低了聚类效果对截断距离的敏感性,且改进算法的ACC、ARI和AMI与原算法相比,分别最高提升了约35%、90%、80%。