信息与控制

作者：李智冈, 吕莉, 谭德坤, 康平, 樊棠怀

关键词：密度峰值, 聚类, 核密度估计, <i>K</i>近邻, 微簇合并

密度峰值聚类(DPC)算法作为一种基于密度的聚类算法，因其简单高效而得到广泛应用，但DPC算法易将一个高密度类簇划分为多个类簇且极易产生分配连带错误。对此，提出了基于加权核密度估计与微簇合并的密度峰值聚类算法(WEMCM-DPC)，利用核密度估计和加权K近邻重新定义局部密度，缩小高密度类簇和稀疏类簇的局部密度差异，使类簇中心的识别更加准确；提出了新的微簇间相似性度量准则，减少数据集中过于稀疏或密集样本对其他样本的影响，为微簇合并提供了依据，并且改善了DPC算法的分配连带错误，使聚类结果更加准确。密度分布不均数据集和真实数据集的实验结果表明，WEMCM-DPC算法的聚类结果优于DPC和4个改进算法。

来源：2024年第3期

《信息与控制》期刊编辑部

查看信息与控制杂志2024年第3期