控制与决策

作者：陈梅,魏礼磊,尤远毓秀,唐晟洲

单位：兰州交通大学 电子与信息工程学院， 兰州 730070,,兰州交通大学 电子与信息工程学院， 兰州 730070,,兰州交通大学 电子与信息工程学院， 兰州 730070,,兰州交通大学 电子与信息工程学院， 兰州 730070,

关键词：聚类;密度峰值;k近邻图;相对路径距离;两级分配策略

基金：国家自然科学基金项目(62266029)；甘肃省高等学校产业支撑计划项目(2022CYZC-36)；甘肃省重点研发计划项目(24YFGA036).

密度峰值聚类(DPC)算法简单高效, 能够识别任意形状簇, 但在处理簇间密度差异大的数据集时, 不能准确识别出簇中心. 同时, 其分配策略可能会导致连续的分配错误. 为解决上述问题, 提出一种基于$k$近邻图的密度峰值聚类($k$NNG-DPC)算法. 首先, 利用$k$近邻思想构造$k$近邻全局图和局部图, 并在此基础上提出新的局部密度和相对路径距离, 从而保证簇中心选取的正确性; 然后, 制定一种两级分配策略, 对不同密度大小的数据点采用不同的分配策略, 以避免出现连续的分配错误. 在10个合成数据集和8个真实数据集上, 将$k$NNG-DPC算法与6种优秀的聚类算法进行对比, 实验结果表明, $k$NNG-DPC算法的聚类表现优于对比算法, 能获得更好的聚类结果.

来源：2025年第7期

《控制与决策》期刊编辑部

查看控制与决策杂志2025年第7期