计算机应用研究

作者：张紫丹,徐华,杨重阳,

单位：江南大学人工智能与计算机学院,江苏无锡214122；

关键词：密度峰值,自然邻居,局部密度,核心点集,子簇合并,

基金：国家自然基金青年基金资助项目(62106088)；；

密度峰值聚类（density peaks clustering，DPC）算法基于局部密度和相对距离识别簇中心，忽视了样本所处环境对样本点密度的影响，因此不容易发现低密度区域的簇中心；DPC算法采用的单步分配策略的容错性差，一旦一个样本点分配错误，将导致后续一系列样本点分配错误。针对上述问题，提出二阶自然最近邻和多簇合并的密度峰值聚类算法（TNMM-DPC）。首先，引入二阶自然邻居的概念，同时考虑样本点的密度与样本点所处的环境，重新定义了样本点的局部密度，以降低类簇的疏密对类簇中心选择的影响；其次，定义了核心点集来选取初始微簇，依据样本点与微簇间的关联度对样本点进行分配；最后引入了邻居边界点集的概念对相邻的子簇进行合并，得到最终的聚类结果，避免了分配错误连带效应。在人工数据集和UCI数据集上，将TNMM-DPC算法与DPC及其改进算法进行了对比，实验结果表明，TNMM-DPC算法能够解决DPC算法所存在的问题，可以有效聚类人工数据集和UCI数据集。

来源：2023年第12期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2023年第12期