APP下载

基于子簇融合和线性判别分析的密度峰值聚类算法*

2022-01-18刘小康张延迟

传感器与微系统 2021年12期
关键词:定义

刘小康, 张 菁 , 张延迟

(1.上海工程技术大学 电子电气工程学院,上海201620; 2.上海电机学院 电气学院,上海 200240)

0 引 言

聚类属于无监督分类,根据样本点的相似度将对象划分成簇。最经典聚类方法K-means[1]应用最为广泛。但是,基于K-means的聚类结果对初始选择的聚类中心非常敏感,而且无法区分噪声点和距离。Ester M等人[2]提出基于密度的聚类算法——BSCAN聚类算法,能够有效处理噪声点。但是DBSCAN算法往往距离度量为欧氏距离,对于高维数据集会带来维度灾难。

Rodriguez A等人[3]提出密度峰值聚类(dcnsity peak clustering,DPC)算法,该算法简单高效,可快速找到高密度峰值点;但算法在处理不同密度或高维数据集时聚类结果较差,并且算法容错能力差。因此提出一些相关的改进算法。何洋等人[4]提出一种融合K近邻的改进的DPC算法,算法引入K近邻和关联系数,有效解决了数据密度不均衡的问题。文献[5]认为将剩余样本点按局部密度降序分配给与其最近邻密度较高的簇容易引起簇标错误传播,提出一种基于加权局部密度序列和最近邻分配的DPC方法,引入加权局部密度序列和两阶段分配策略提高聚类效率。文献[6]提出一种基于非负矩阵分解和改进的DPC的社区检测算法,克服了算法在高维数据集上聚类不佳的缺陷。文献[7]提出一种基于支持向量机(support vector machine,SVM)的子簇融合(sub-cluster fusion,SCF)策略,将SVM和DPC算法结合,通过计算每个聚类结果之间的反馈值,根据反馈值进行子簇融合。文献[8]认为DPC中没有考虑数据原始特征,提出考虑数据的原始拓扑特征的DPC算法,显著提高了聚类效果。……

登录APP查看全文

猜你喜欢

定义
活用定义巧解统计概率解答题
例谈椭圆的定义及其应用
题在书外 根在书中——圆锥曲线第三定义在教材和高考中的渗透
永远不要用“起点”定义自己
严昊:不定义终点 一直在路上
定义“风格”
成功的定义
有壹手——重新定义快修连锁
修辞学的重大定义
山的定义