二阶K近邻和多簇合并的密度峰值聚类算法

摘要

针对流形数据中密度峰值聚类（DPC）算法的局部密度易找到错误的类簇中心，且分配策略易导致远离类簇中心的剩余样本被错误分配的问题，本文提出二阶K近邻和多簇合并的密度峰值聚类（DPC-SKMM）算法。首先，利用最小二阶K近邻定义局部密度，凸显类簇中心与非类簇中心间的密度差异，从而找到正确的类簇中心；其次，利用K近邻找出样本局部代表点并依此确定核心点，用核心点指导微簇划分；最后，利用最小二阶K近邻及共享近邻定义的微簇间吸引度合并微簇，避免远离类簇中心的样本被错误分配，且微簇合并过程无须迭代。本文将DPC-SKMM算法与IDPC-FA、DPCSA、FNDPC、FKNN-DPC、DPC算法进行对比，实验结果表明，DPC-SKMM算法能有效聚类流形及UCI数据集。

关键词

密度峰值聚类 / 流形数据 / 二阶K近邻 / K近邻 / 吸引度 / 多簇合并策略