改进的密度峰值聚类算法研究

发布时间：2021-01-24 21:41

　　密度峰值聚类算法是一种通过寻找密度峰值实现快速聚类的新颖算法,具有实现简单、所需参数少、能处理非凸数据、聚类效果良好等优点。凭借以上优点,密度峰值聚类算法为很多现实问题提供了新的解决思路,并且被应用到众多领域,已成为聚类领域的一个研究热点。然而,由于其还存在无法自动识别聚类中心、对类簇间密度相差较大的数据集还不能有效处理等问题,本文设计了相应的改进算法,提高了密度峰值算法的性能。具体研究内容如下:（1）针对密度峰值算法关于聚类中心的人工识别问题,提出了一种聚类中心自动识别的密度峰值聚类算法。首先,设计了一种适用于不同规模数据集的基于贡献度的密度度量方法,以便能精密地度量数据点的密度并优化决策图的分布。然后,根据决策图上密度与距离的分布特性,设计了新的聚类中心选取方法,能够自动地将那些密度与距离均较大的数据点选取为局部聚类中心,进而形成局部的聚类结果。最后,根据局部类簇之间的共享边界密度信息,将局部聚类自动地合并为全局聚类。实验结果表明,新提出的算法不但能自动地识别出局部聚类中心,并且能够准确地将局部聚类合并为全局聚类,实现了对数据集的自动聚类,解决了密度峰值算法在聚类过程中需要人工选取... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 密度峰值聚类算法存在的问题
    1.4 本文的主要研究内容
    1.5 本文组织结构
第二章 聚类基础知识介绍
    2.1 聚类分析的基本概念
        2.1.1 聚类步骤及形式化描述
        2.1.2 常用的相似性度量方法
        2.1.3 本文所用的聚类评价指标
    2.2 常用的聚类算法
        2.2.1 基于划分的聚类算法
        2.2.2 基于层次的聚类算法
        2.2.3 基于密度的聚类算法
        2.2.4 基于网格的聚类算法
        2.2.5 基于模型的聚类算法
        2.2.6 近邻传播算法
    2.3 密度峰值聚类算法
        2.3.1 算法思想
        2.3.2 算法步骤
    2.4 本章小结
第三章 一种聚类中心自动识别的密度峰值聚类算法
    3.1 问题描述
    3.2 一种聚类中心自动识别的密度峰值聚类算法
        3.2.1 考虑贡献度的密度度量方法
        3.2.2 识别局部聚类中心
        3.2.3 合并局部聚类
        3.2.4 算法步骤
        3.2.5 算法复杂度分析
    3.3 实验结果及分析
        3.3.1 人造数据集实验
        3.3.2 UCI数据集实验
    3.4 本章小结
第四章 基于K近邻的密度峰值聚类算法
    4.1 问题描述
    4.2 K近邻算法介绍
    4.3 基于K近邻的密度峰值聚类算法
        4.3.1 考虑数据点空间分布的密度度量方法
        4.3.2 数据点分配
        4.3.3 算法步骤
        4.3.4 算法复杂度分析
    4.4 实验结果及分析
        4.4.1 人造数据集实验
        4.4.2 UCI数据集实验
    4.5 本章小结
第五章 总结与展望
    5.1 全文总结
    5.2 工作展望
参考文献
致谢
作者简介


【参考文献】：
期刊论文
[1]基于密度比例的密度峰值聚类算法[J]. 高诗莹,周晓锋,李帅.  计算机工程与应用. 2017(16)
[2]一种基于网格的密度峰值聚类算法[J]. 王飞,王国胤,李智星,彭思源.  小型微型计算机系统. 2017(05)
[3]基于流形距离的密度峰值快速搜索聚类算法[J]. 张嘉琪,张红云.  电脑知识与技术. 2017(02)
[4]Clustering by Fast Search and Find of Density Peaks with Data Field[J]. WANG Shuliang,WANG Dakui,LI Caoyuan,LI Yan,DING Gangyi.  Chinese Journal of Electronics. 2016(03)
[5]基于点距离和密度峰值聚类的社区发现方法[J]. 黄岚,李玉,王贵参,王岩.  吉林大学学报(工学版). 2016(06)
[6]自动确定聚类中心的密度峰聚类[J]. 李涛,葛洪伟,苏树智.  计算机科学与探索. 2016(11)



本文编号：2997982