王鹏飞，杨余旺，柯亚琪

(1.南京理工大学计算机科学与工程学院,江苏 南京 210094; 2.南京农业大学园艺学院，江苏 南京 210095)

1 引言

近年来随着数据的不断增长和累积，如何从这些大数据中挖掘出有用的信息成为了当前的研究热点，聚类就是一种能够从大数据中挖掘出有用信息的有效方法[1]。聚类是聚类分析的简称，是一种无监督的学习过程[2]。聚类是在无先验认知的条件下，根据发现的数据对象的相似性，将对象分组，从而达到对数据的深刻理解，获得有用信息或者压缩数据的目的[3,4]。

聚类分析现在已经应用于诸多领域，如：数据库知识发现、计算机视觉、图像处理、生物信息学等[5]。正因为聚类分析的实用性，许多聚类算法已经被人们提出，其中比较经典的有K-means算法、模糊C-means算法、具有噪声的基于密度的聚类方法DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法等，近几年又提出了近邻传播AP(Affinity Propagation)算法和CFSFDP(Clustering by Fast Search and Find of Density Peaks)算法[6]。这些聚类算法都旨在解决不同情况下的大数据聚类问题。K-means算法是一种基于距离的迭代式算法，其旨在将数据点划分到距离最近的聚类中心所在的簇中，但K-means算法需要提前指定聚类中心的个数，且对于非球形的数据集很难取得令人满意的聚类结果[7]。基于数据点的密度进行聚类的算法，如经典的DBSCAN算法，则摆脱了对数据集形状要求的束缚，它可以得到任意形状的类簇。DBSCAN算法需选择一个密度阈值，密度高于该阈值的点则成为“核心点”，之后将所有“密度相连”的点聚合为一个类[8]。DBSCAN算法不需要事先确定聚类中心的个数，且能够很好地排除噪声点和离群点。……