声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：21-1124/TP
国际刊号：1001-0920
发布日期:
作者：赵嘉,姚占峰,吕莉,樊棠怀
单位：南昌工程学院信息工程学院，南昌330099;江西省水信息协同感知与智能处理重点实验室，南昌330099;鄱阳湖流域水工程安全与资源高效利用国家地方联合工程实验室，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;江西省水信息协同感知与智能处理重点实验室，南昌330099,,南昌工程学院信息工程学院，南昌330099;江西省水信息协同感知与智能处理重点实验室，南昌330099;鄱阳湖流域水工程安全与资源高效利用国家地方联合工程实验室，南昌330099,
关键词：密度峰值聚类;相互邻近度;分配策略;k近邻
基金：国家自然科学基金项目(51669014,61663029,62069014,62066030)；江西省杰出青年基金项目(2018ACB21029)；江西省自然科学基金项目(20192BAB207031).
密度峰值聚类算法对密集程度不一数据的聚类效果不佳,样本分配过程易产生连带错误.为此,提出一种基于相互邻近度的密度峰值聚类算法.所提算法引入k近邻思想计算局部密度,以此保证密度的相对性.定义综合数据全局和局部特征的样本相互邻近度的度量准则,据此准则,提出一种新的样本分配策略.新的分配策略采用k近邻思想寻找密度峰值,将密度峰值的k个近邻点分配给其对应类簇,对所有已分配数据点寻找相互邻近度最高的未分配数据点,将未分配数据点分配给已分配数据点所在类簇.在合成和UCI数据集上,将所提算法与DPC、DBSCAN、OPTICS、AP、K-Means及DPC的改进算法进行比较, 实验结果表明,所提出的算法性能最优.
来源：2021年第3期
《控制与决策》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。