模糊边界剥离聚类

摘要

提出了一种模糊边界剥离聚类(fuzzy border-peeling clustering, FBP)算法。首先，采用了一种基于Cauchy核的动态密度估计方式来计算数据点密度；然后，使用逐层剥离策略区分边界数据和核心数据；接着，利用核心数据间的可达性实现核心区域聚类；最后，采用模糊分配策略实现边界数据的软划分。在人工数据集和真实数据集上与10种算法(包含6种密度聚类算法和4种模糊聚类算法)作了对比。实验结果表明，在所有数据集上，FBP的调整兰德系数ARI指标平均提高了21%～60%,FBP的标准化互信息NMI指标平均提升了12%～47%,基于Cauchy核和模糊分配策略优化后的边界剥离聚类算法显著提高了聚类的准确性。

关键词

密度聚类 / 边界剥离聚类 / 模糊聚类 / 软化分 / 柯西核函数