计算机科学与探索

作者：张文杰, 谢娟英

单位：陕西师范大学 计算机科学学院，西安 710119

关键词：共享近邻,局部密度,加权距离,类簇中心,聚类

基金：国家自然科学基金（62076159，61673251，12031010）；中央高校基本科研业务费专项资金（GK202105003）。

密度峰值聚类算法DPC的样本局部密度定义随数据集规模大小不同而不同，样本局部密度受到截断距离[dc]影响，且其一步分配策略会带来样本分配的“多米诺骨牌效应”，严重影响聚类结果。提出基于加权共享近邻优化的密度峰值聚类算法（WSN-DPC）。该算法利用基于标准差加权的距离代替传统欧氏距离，强化样本不同特征对距离的贡献；利用共享近邻信息定义样本相似度，进而定义样本局部密度和相对距离，以尽可能体现数据集中样本的真实分布信息。同时，采用不同分配策略对离群点和非离群点依次进行分配，使得每个样本能够尽可能地分配到正确类簇。多个数据集的实验测试和统计性检验结果表明，WSN-DPC算法优于DPC及其改进算法，有效地解决了DPC算法的缺陷。

来源：2025年第4期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第4期