摘 要：针对K.medoids算法需要事先给定聚类数目和初始聚类中心的问题，借助次胜者受罚竞争学习算法RPCL确定数据集的类簇数目，提出以密度RPCL作为预处理步骤的K.medoids聚类算法。通过密度RPCL算法对数据集进行处理，从而确定K.medoids算法的合理类簇数目，然后再运行改进K.medoids算法，由此提高K.medoids算法的聚类效率和聚类准确性。采用UCI机器学习数据库数据集进行实验测试，使用不同的聚类结果评价指标对实验结果进行分析，证明本文基于密度RPCL的K.medoids算法具有很好的聚类效果。

关键词：RPCL算法；K.medoids算法；密度；聚类数目；初始中心

聚类算法是模式识别、机器学习和数据挖掘等领域中一个重要的研究内容，该算法根据一定的相似性准则将样本聚集为若干个类簇。

K.medoids算法是基于划分的聚类算法，该算法用类中心的数据作为中心点来代表类。[1]Park 等人提出一种快速K.medoids 算法，在初始中心点的选择和更新聚类中心上有了改进[2]；自行提出改进K.medoids 算法，使所选的初始中心点位于数据集中样本分布密集区域，并且所选初始中心之间的空间距离较远，目的使其位于不同的类簇中。[3]

本文借助于基于密度的次者受罚竞争学习算法[4.6] （RPCL） 来确定最佳的聚类数目值，在此基础上运行改进的K.medoids 算法，从而改善聚类效果。通过UCI 机器学习数据库数据集实验测试，表明基于密度RPCL 的K.medoids 算法具有非常好的聚类效果。

1 密度RPCL算法

竞争学习算法 （Rival Penalized Competitive Learning，RPCL）[4]可以用于确定数据集的类簇数目值，[5.7]但RPCL算法在学习时对学习率和遗忘率非常敏感。……