计算机科学与探索

作者：柏锷湘, 罗可, 罗潇

单位：1. 长沙理工大学 计算机与通信工程学院，长沙 4101142. 国网上海电力公司，上海 200000

关键词：密度峰值聚类算法,自然最近邻,共享最近邻

基于快速搜索和寻找密度峰值聚类算法（DPC）具有无需迭代且需要较少参数的优点，但其仍然存在一些缺点：需要人为选取截断距离参数；在流形数据集上的处理效果不佳。针对这些问题，提出一种密度峰值聚类改进算法。该算法结合了自然和共享最近邻算法，重新定义了截断距离和局部密度的计算方法，并且算法融合了候选聚类中心计算概念，通过算法选出不同的候选聚类中心，然后以这些候选中心为新的数据集，再次开始密度峰值聚类，最后将剩余的点分配到所对应的候选中心点所在类簇中。改进的算法在合成数据集和UCI数据集上进行验证，并与K-means、DBSCAN和DPC算法进行比较。实验结果表明，提出的算法在性能方面有明显提升。

来源：2021年第5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2021年第5期