计算机应用研究

作者：万芳,魏立力,刘国军,

单位：宁夏大学数学统计学院,银川750021；

关键词：聚类分析,密度峰值聚类,测地距离,加权自然近邻,

基金：国家自然科学基金资助项目(62061040)；宁夏自然科学基金资助项目(2024AAC03006)；宁夏区重点研发计划资助项目(2019BEG03056)；；

密度峰值聚类算法（DPC）是一种高效简单的聚类方法，只需要一个参数便可以识别所有的聚类中心且无须迭代处理。然而，该算法在应对复杂数据结构时仍存在如下局限性：首先，聚类结果易受截断距离的影响；其次，基于欧氏距离的度量方式往往忽略流形数据集的几何结构，进而影响聚类结果的准确性。为解决上述问题，提出了一种基于加权自然近邻和测地距离的密度峰值聚类算法（DPC-WNNN-GD）。该算法综合分析样本的局部和全局信息，结合加权自然近邻重新定义局部密度，平衡样本间的密度差异并消除截断距离对聚类结果的影响；而且，将欧氏距离替换为测地距离以此来更好地适应流形数据集的数据结构。在合成和真实数据集上将DPC-WNNN-GD与DPC算法以及相关改进算法进行对比，实验结果表明DPC-WNNN-GD展现出更优异的聚类性能。

来源：2026年第1期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2026年第1期