针对传统密度峰值聚类算法(Clustering by fast search and find of density peaks,CFSFDP)簇心选择不佳、非簇心点分配不准确导致的聚类效果差问题,提出一种融合可拓关联函数的密度峰值聚类算法,通过引入平均差异度衡量样本密度选取簇...针对传统密度峰值聚类算法(Clustering by fast search and find of density peaks,CFSFDP)簇心选择不佳、非簇心点分配不准确导致的聚类效果差问题,提出一种融合可拓关联函数的密度峰值聚类算法,通过引入平均差异度衡量样本密度选取簇心;基于k邻域思想提出雏形簇概念并建立物元模式下的节域和经典域;利用可拓关联函数定量衡量未分配点相对各雏形簇的隶属程度,从而实现精准聚类.将该算法和其他几种聚类算法在人工数据集和UCI标准数据集上分别进行对比实验,实验结果表明本文算法对任意形状任意密度数据集的聚类效果更好,优于其他算法.展开更多
文摘针对传统密度峰值聚类算法(Clustering by fast search and find of density peaks,CFSFDP)簇心选择不佳、非簇心点分配不准确导致的聚类效果差问题,提出一种融合可拓关联函数的密度峰值聚类算法,通过引入平均差异度衡量样本密度选取簇心;基于k邻域思想提出雏形簇概念并建立物元模式下的节域和经典域;利用可拓关联函数定量衡量未分配点相对各雏形簇的隶属程度,从而实现精准聚类.将该算法和其他几种聚类算法在人工数据集和UCI标准数据集上分别进行对比实验,实验结果表明本文算法对任意形状任意密度数据集的聚类效果更好,优于其他算法.
