控制与决策

作者：陈梅,尤远毓秀,魏礼磊,唐晟洲

单位：兰州交通大学 电子与信息工程学院，兰州 730000,,兰州交通大学 电子与信息工程学院，兰州 730000,,兰州交通大学 电子与信息工程学院，兰州 730000,,兰州交通大学 电子与信息工程学院，兰州 730000,

关键词：聚类;密度峰值;多密度峰值簇;低密度分数;子簇融合

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

密度峰值聚类算法 (DPC) 可识别出任意形状的簇, 但是对于存在多密度峰值的簇, DPC可能会识别出多个簇中心点, 导致簇划分错误. 鉴于此, 提出一种基于低密度分数的密度峰值聚类算法 (LS-DPC). 该算法首先使用低密度分数放大数据点的密度差异, 缩小整体密度差异大的相邻区域的密度差异, 使得单个簇内所有区域的密度分布均重构为单峰密度分布; 然后, 根据低密度分数自动获得子簇中心点; 接着, 得到子簇后, 根据密度相交条件对子簇进行融合, 完成聚类; 最后, 将所提出LS-DPC算法与$k $-Means、SC、DPC、DN、Extreme以及ICKDP算法进行对比, 实验结果表明所提出算法在复杂数据集和UCI数据集上的表现优于对比算法.

来源：2025年第5期

《控制与决策》期刊编辑部

查看控制与决策杂志2025年第5期