基于相对密度和流形上k近邻的聚类算法

发布时间：2017-12-03 20:12

  本文关键词：基于相对密度和流形上k近邻的聚类算法

  更多相关文章： 流形距离 流形上k近邻 k近邻相似度 相对密度

【摘要】：针对传统的基于欧氏距离的相似性度量不能完全反映复杂结构的数据分布特性的问题,提出了一种基于相对密度和流形上k近邻的聚类算法。基于能描述全局一致性信息的流形距离,及可体现局部相似性和紧密度的k近邻概念,通过流形上k近邻相似度度量数据对象间的相似性,采用k近邻的相对紧密度发现不同密度下的类簇,设计近邻点对约束规则搜寻k近邻点对构成的近邻链,归类数据对象及识别离群点。与标准k-means算法、流形距离改进的k-means算法进行了性能比较,在人工数据集和UCI数据集上的仿真实验结果均表明,该算法能有效地处理复杂结构的数据聚类问题,且聚类效果更好。
【作者单位】： 广东轻工职业技术学院计算机工程系;华南理工大学自动化科学与工程学院;
【基金】：国家档案局科技项目(2015-X-54) 广东省自然科学基金资助项目(S2012040007599) 广东省档案局科技项目(YDK-95-2014)资助
【分类号】：TP311.13
【正文快照】： 1引言聚类分析是通过确定数据对象在某些属性上的相似性,将其划分成群组或类簇的过程。聚类的目标是最大程度上实现类中的数据对象相似度最大、类间的数据对象相似度最小。聚类分析主要应用于模式识别、机器学习和数据挖掘等多个领域,具有广泛的应用前景。基于划分的方法是现，

本文编号：1249899