周小亮,吴东洋,曹 磊,王玉鹏,业 宁

（南京林业大学信息科学技术学院，南京，210037）

聚类分析方法根据相似度将数据聚集到不同的类或簇中，使簇内数据有较高的相似度而簇间数据差异较大.聚类算法大致可分为五类：基于划分的方法、基于层次的方法、基于密度的方法、基于网格的方法以及基于模型的方法.其中，基于划分的k⁃means算法［1-4］可较好地识别球形聚类，具有较快的识别速度，但识别精度易受样本输入顺序的影响，算法稳定性差.基于密度聚类的DBSCAN（Density ⁃ Based Spatial Clustering of Applications with Noise）算法［5-8］可识别非球形样本，但受样本离群点影响较大，算法鲁棒性差.

多年来，研究者先后提出大量基于最小生成树的聚类分析算法，并得到了较好的聚类性能.2013年，徐沁和罗斌［9］将数据投影到主成分分析（Principal Component Analysis，PCA）子空间，给出自适应的mean⁃shift算法，并在PCA子空间内将数据向密度大的区域聚集；利用MST（Minimum Spanning Tree）与图联通分量算法找出类别树和类标签，计算数据在原始数据上的密度峰值，并将峰值点作为k⁃means聚类的初始中心点.与k⁃means算法相比，该算法能在较短的时间内给出较优的全局解.2014年，Ye［10］自定义SVNs（Single⁃Valued Neutrosophics）距离测度，并在此基础上提出基于SVM（Support Vector Machine）的广义距离测度的SVNMST（Single⁃Valued Neutrosophic Minimum Spanning Tree）聚类算法，并在实际数据集上取得较好的应用效果，但该算法的聚类精度受SVNs距离测度的影响较大.2014年，徐晨凯和高茂庭［11］提出改进的最小生成树自适应分层聚类算法，根据近邻关系为每个聚类簇设定独立的阈值，适应分布密度相差较大的情况，实验结果表明，在分布密度不均……