基于自然邻域的密度峰值聚类算法研究.pdf

基于自然邻域的密度峰值聚类算法研究

摘要

聚类分析是一种常用的数据分析方法，用于将数据集中的个体或观察值根

据它们之间的相似程度分成不同的组或簇，以便更好地理解数据的结构和特征。

聚类分析可以帮助人们识别数据中的隐藏模式和趋势，从而为决策和问题解决

提供有价值的信息。在众多聚类算法中，密度峰值聚类算法(ClusteringbyFast

SearchandFindofDensityPeaks,DPC)因其计算简单、能更好的识别非球状簇等

优势，被广泛应用在众多领域。然而随着不断深入的研究，DPC算法存在一些

不足被发现，例如：需要根据经验人为选取截断距离的大小；聚类中心也依靠

人为选择，具有主观性；非中心点分配过于简单容易产生“多米诺效应”等。

因此，为了弥补上述提到的DPC算法的不足，本文提出了两种基于DPC的改

进算法，主要研究内容和方法如下：

针对DPC算法容易受到截断距离的干扰和容易产生连续分配错误的问题，

提出了一种基于自然邻域和分配的无参数密度峰聚类算法。该算法利用自然邻

域方法自适应的得到每个样本点的自然邻居集，通过自然邻居集计算样本局部

密度，从而解决了截断距离对聚类结果产生影响这一问题。然后计算共享近邻

的样本相似度，再利用最大类间方差对相似的大于一定阈值的样本进行分配，

直到所有样本都被分配。实验表明，提出的算法在无参数的情况下与其他算法

相比，在大部分数据集上各评价指标性能均有所提升。

针对DPC算法容易受到截断距离的干扰和需要人为选择聚类中心的问题，

提出了一种基于自然邻域和合并策略的密度峰值聚类算法。首先利用样本的自

然邻居计算样本的局部密度，排除了参数选择对密度计算的影响。其次，为了

避免人为选择聚类中心对聚类效果产生影响，根据原始密度峰值的基本假设，

排除一部分密度较低的噪声点对聚类中心选择的干扰，自动选择较多的初始聚

类中心。最后又利用自然邻域设计了一种融合策略，解决同一簇中多个聚类中

心的问题，提高聚类精度。在不同类型的数据集上进行对比实验，结果表明新

提出的算法在不同聚类评价指标下效果都得到了提升。

关键词密度峰值聚类；自然邻域；分配策略；融合策略；中心点选择

I

ResearchonDensityPeakClusteringAlgorithm

BasedonNaturalNeighborhoods

Abstract

Clusteranalysisisacommondataanalysismethodusedtoclassifyindividuals

orobservationsinadatasetintogroupsorclustersbasedonthedegreeofsimilarity

betweenthemtobetterunderstandthestructureandcharacteristicsofthedata.

Clusteranalysiscanhelponeidentifyhiddenpatternsandtrendsindata,whichcan

providevaluableinformationfordecision-makingandproblem-solving.Among

manyclusteringalgorithms,DensityPeaksClustering(ClusteringbyFastSearchand

FindofDensityPeaks,DPC)hasbeenwidelyusedinmanyfieldsduetoits

advantagesofsimplecomputationandbetteridentificationofnon-sphericalclusters.

However,withthedeepeningresearch,someshortcomingsofDPCalgorithmare

found,suchas:thesizeoftruncationdistanceneedstobechos