一种改进的Chameleon算法

利用Chameleon算法进行K值选择、相似度函数阈值选择时需要人为给出一些参数,在没有先验知识的情况下,人为确定此类参数难度较大。针对该问题介绍模块度概念,根据结构等价相似度和模块度概念提出一种聚类算法——M-Chameleon。实验结果证明,M-Chameleon可以客观地反映实际聚类情况。

一种基于动态近邻选择模型的Chameleon算法

在分析Chameleon聚类算法的基础上,提出了一种基于动态近邻选择模型的Chameleon算法(DNMC).新的算法考虑了回溯机制,有利于合并之后的分解.在标准数据集Wine和Iris上的实验表明,DNMC算法的fa指标优于M-Chameleon算法.通过计算各个属性的差异度,显示出一些属性的存在对于聚类结果影响很小,删除这些属性列可以降低时间复杂度.

引入共享近邻加权图的Chameleon算法

针对Chameleon算法中采用距离函数度量数据点间的相似度,导致距离相近的两个点可能仅拥有很少的共同特征,最小二分实际操作困难,合并时需要人工指定阈值以及一旦合并完成后不能撤销的问题,对Chameleon算法进行改进,提出一种引入共享近邻加权图(WSnnG)的Chameleon算法。该算法以数据对象间的共享近邻数来衡量相似度,进一步构造WSnnG,再利用网络模块性评价函数指导最小二分,然后以结构等价相似度作为合并的依据,最后通过引入内聚度度量函数解决合并后不能撤销的问题。在UCI数据集及4个二维人造数据集上的实验结果表明,该算法在聚类精度和运行时间方面具有更好的效果。