面向非球形分布数据的自适应K近邻聚类算法

针对传统聚类算法处理非球形分布数据的不足，提出了一种新型的自适应K近邻 聚类算法。该算法由数据集归一化、初始类别构造和初始类别融合3个步骤构成。仿真结果 表明，该算法在无须聚类数目的前提下，对非球型分布数据具有很好的聚类效果。

一种改进的自适应K近邻聚类算法

为解决传统聚类算法不能处理非球形分布数据的问题,文犤5犦提出了一种自适应k近邻聚类算法。该算法在无需聚类数目的前提下,能有效解决非球形分布数据的聚类问题。但进一步的研究表明,该算法在处理带“奇异”样本的数据集时失去效果。为此,该文给出了一种改进的自适应k近邻聚类算法。仿真结果表明,新算法不仅保持了原算法在处理非球形分布数据时的优良特性,还成功解决了“奇异”样本问题。

基于样本协方差矩阵迹的聚类算法

针对传统聚类算法在处理某些非球形分布数据的不足,提出了一种基于样本协方差矩阵迹的聚类算法.该算法由数据集归一化、初始类别构造和初始类别二次融合这三个主要步骤构成.仿真结果表明,与传统的 FCA相比,本文算法在无需聚类数目的情况下,处理某些非球形分布数据集时具有更好的聚类效果.