控制与决策

作者：吴润秀,尹士豪,赵嘉,李沛武,刘宝宏

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,,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,,南昌工程学院 信息工程学院,南昌 330099,

关键词：密度峰值聚类;密度分布不均;K近邻;相对密度;簇间关联度;多簇合并

基金：国家自然科学基金项目(52069014)；江西省社会科学基金项目(21JY26)；江西省教育厅科技计划项目(GJJ180940).

密度峰值聚类(DPC)算法是一种新颖的基于密度的聚类算法,其原理简单、运行效率高.但DPC算法的局部密度只考虑了样本之间的距离,忽略了样本所处的环境,导致算法对密度分布不均数据的聚类效果不理想;同时,样本分配过程易产生分配错误连带效应.针对上述问题,提出一种基于相对密度估计和多簇合并的密度峰值聚类(DPC-RD-MCM)算法.DPC-RD-MCM算法结合K近邻和相对密度思想,定义了相对K近邻的局部密度,以降低类簇疏密程度对类簇中心的影响,避免稀疏区域没有类簇中心;重新定义微簇间相似性度量准则,通过多簇合并策略得到最终聚类结果,避免分配错误连带效应.在密度分布不均数据集、复杂形态数据集和UCI数据集上,将DPC-RD-MCM算法与DPC及其改进算法进行对比,实验结果表明:DPC-RD-MCM算法能够在密度分布不均数据上获得十分优异的聚类效果,在复杂形态数据集和UCI数据集的聚类性能上高于对比算法.

来源：2023年第4期

《控制与决策》期刊编辑部

查看控制与决策杂志2023年第4期