计算机科学与探索

作者：宋鹏, 葛洪伟

单位：1.江南大学 人工智能与计算机学院，江苏 无锡 214122；2.江苏省模式识别与计算智能工程实验室（江南大学），江苏 无锡 214122

关键词：聚类,密度峰值聚类,标签传播,最近邻

基金：国家自然科学基金(61806006);江苏高校优势学科建设工程资助项目。

基于动态图的密度峰值聚类标签传播算法（DPC-DLP）是密度峰值聚类算法（DPC）的一种改进算法，该算法涉及的相关参数过于复杂，并且算法在每次迭代时都会使用标签数据，会出现标签错误扩大化现象，存在迭代次数过多导致聚类效果恶化等问题。针对上述问题，提出了一种最近邻的密度峰值聚类标签传播算法（DPC-NLP）。该算法主要有三个步骤：首先利用局部密度和最小距离对样本点进行打分，根据分数确定聚类中心，然后使用聚类中心的标签在其最近邻内形成簇骨干，最后使用最近邻的标签传播方法将簇骨干的标签传播到剩余样本上，并形成最终的聚类结果。最近邻标签传播算法充分考虑数据间的结构关联性情况，并在传播的过程中不断更新数据的状态，利用更充分的信息提高分配正确率。在人工和真实数据集上对算法进行验证，并与目前主流的聚类算法进行比较，实验结果表明，DPC-NLP在性能和鲁棒性方面表现优越，并可以处理流形和非线性等复杂数据。

来源：2022年第12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2022年第12期