基于子簇融合和线性判别分析的密度峰值聚类算法

密度峰值聚类(DPC)算法有能够发现非球形簇等优点。但在算法中,局部密度和最近邻距离计算易忽略样本间相关性,并且算法在高维数据集上聚类效果较差。针对上述问题,提出一种基于子簇融合和线性判别分析的DPC算法(SCF-LDA-DPC)。首先,引入样本间Pearson相关系数构造加权高斯核密度估计函数计算局部密度。其次,设计一种子簇融合策略,避免数据错误分配,优化算法容错性差缺陷。最后,引入LDA算法对高维数据降维,提高DPC算法鲁棒性和准确性。多个数据集实验结果表明:SCF-LDA-DPC算法在聚类精度和聚类性能方面明显优于其他优秀算法。