邱保志，杨 洋，杜效伟

(1.郑州大学 信息工程学院，河南 郑州450001;2.漯河职业技术学院，河南 漯河462000)

0 引言

聚类的边界检测是数据挖掘新兴的研究领域之一，聚类的边界点是位于高密聚类边沿，它们通常具有2个或2个以上聚类的特征，其归属并不明确［1］，有效的提取聚类边界不但可以提高聚类的精度，还可以研究聚类边缘的特性，因此聚类的边界点具有很重要的研究价值和广泛的应用价值.目前对聚类边界的研究才刚刚起步，聚类边界检测的算法还不是很多.

CHEN Yi-xia等基于聚类边界点的反向k近邻值小于聚类内部点的反向k近邻值这一事实提出了聚类边界检测算法Border［1］，对不含噪声的数据集，Border能有效地识别聚类的边界，然而对含有噪声的数据集和多密度数据集来说Border都不能正确识别聚类的边界.BRIM［2］边界点检测算法利用边界点的正向半邻域内分布着较多的点，负向半邻域内分布着较少的点这一特征标记边界点，解决了BORDER不能有效识别噪声点和聚类边界点的问题，但该算法参数选择困难且不能用于高维数据.Band［3］算法根据聚类的边界点具有一个较大的变异系数这一原理识别边界，它能够有效地识别含有噪声的多密度聚类的边界，但不能用于高维数据聚类边界的识别.

为了能有效地检测聚类的边界，笔者利用局部质变因子特性提取边界和去除噪声，利用加权的欧式距离使算法适用于高维数据，提出一种基于局部质变因子的聚类边界……