控制与决策

作者：陈蔚昌,赵嘉,肖人彬,王晖,崔志华

单位：南昌工程学院 信息工程学院,南昌 330099,,南昌工程学院 信息工程学院,南昌 330099,,华中科技大学 人工智能与自动化学院, 武汉 430074,,南昌工程学院 信息工程学院,南昌 330099,,太原科技大学 计算机科学与技术学院,太原 030024,

关键词：密度峰值;聚类分析;密度分布不均;逆近邻;共享近邻;样本相似性

基金：国家自然科学基金项目(52069014,51669014)；科技创新-----2030“新一代人工智能”重大项目(2018AAA0101200).

密度分布不均数据是指类簇间样本分布疏密程度不同的数据.密度峰值聚类(DPC)算法在处理密度分布不均数据时,倾向于在密度较高区域内找到类簇中心,并易将稀疏类簇的样本分配给密集类簇.为避免上述缺陷,提出一种面向密度分布不均数据的近邻优化密度峰值聚类(DPC-NNO)算法.DPC-NNO算法结合逆近邻和k近邻定义新的局部密度,提高稀疏样本的局部密度,使算法能更准确地找到类簇中心;定义分配策略时引入共享近邻,计算样本间相似性,构造相似矩阵,使同一类簇样本联系更紧密,避免错误分配样本.将所提出的DPC-NNO算法与IDPC-FA、DPCSA、FNDPC、FKNN-DPC、DPC算法进行对比,实验结果表明,DPC-NNO算法在处理密度分布不均数据时能获得优异的聚类效果,对于复杂数据集和UCI数据集,DPC-NNO算法的综合性能优于对比算法.

来源：2024年第3期

《控制与决策》期刊编辑部

查看控制与决策杂志2024年第3期