文献类型：期刊文章

作　　者：赵嘉[1,2,3] 姚占峰[1] 吕莉[1,2] 樊棠怀[1,2,3]

ZHAO Jia;YAO Zhan-feng;LYU Li;FAN Tang-huai(School of Information Engineering,Nanchang Institute of Technology,Nanchang 330099,China;Jiangxi ProvinceKey Laboratory ofWater Information Cooperative Sensing and Intelligent Processing,Nanchang 330099,China;National-Local Engineering Laboratory of Water Engineering Safety and Effective Utilization of Resources in Poyang Lake Area,Nanchang 330099,China)

机构地区：[1]南昌工程学院信息工程学院,南昌330099 [2]江西省水信息协同感知与智能处理重点实验室,南昌330099 [3]鄱阳湖流域水工程安全与资源高效利用国家地方联合工程实验室,南昌330099

出　　处：《控制与决策》

基　　金：国家自然科学基金项目(51669014,61663029,62069014,62066030);江西省杰出青年基金项目(2018ACB21029);江西省自然科学基金项目(20192BAB207031)。

年　　份：2021

卷　　号：36

期　　号：3

起止页码：543-552

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：密度峰值聚类算法对密集程度不一数据的聚类效果不佳,样本分配过程易产生连带错误.为此,提出一种基于相互邻近度的密度峰值聚类算法.所提算法引入k近邻思想计算局部密度,以此保证密度的相对性.定义综合数据全局和局部特征的样本相互邻近度的度量准则,据此准则,提出一种新的样本分配策略.新的分配策略采用k近邻思想寻找密度峰值,将密度峰值的k个近邻点分配给其对应类簇,对所有已分配数据点寻找相互邻近度最高的未分配数据点,将未分配数据点分配给已分配数据点所在类簇.在合成和UCI数据集上,将所提算法与DPC、DBSCAN、OPTICS、AP、K-Means及DPC的改进算法进行比较,实验结果表明,所提出的算法性能最优.

关 键 词：密度峰值聚类  相互邻近度  分配策略  K近邻

分 类 号：TP301.6]