面向流形数据的共享近邻和二阶K近邻密度峰值聚类算法
赵嘉1
陈蔚昌1
肖人彬2
潘正祥3
崔志华4
王晖1
1.南昌工程学院信息工程学院,江西南昌 330099;南昌工程学院南昌市智慧城市物联感知与协同计算重点实验室,江西南昌 3300992.华中科技大学人工智能与自动化学院,湖北武汉 4300743.山东科技大学计算机科学与工程学院,山东青岛 2665904.太原科技大学计算机科学与技术学院,山西太原 030024
摘要：密度峰值聚类算法能够快速高效处理数据集且无需迭代.但该算法在处理流形数据时,易错选类簇中心和错误分配样本.因此,本文提出面向流形数据的共享近邻和二阶K近邻密度峰值聚类(DPC-SKNN)算法.首先,该算法引入逆近邻和共享近邻重新定义局部密度,充分考虑样本的局部信息和全局信息,使算法易找到正确的流形类簇中心;其次,将样本的关联关系分为K近邻点、二阶K近邻点和非近邻点3种情况,设计K近邻的分配策略,增强同一类簇样本的相似性,提高样本分配的准确率.将本文算法与8种算法在流形和UCI数据集进行对比,实验结果表明,DPC-SKNN算法在上述数据集上均获得了不错的聚类结果.
关键词：密度峰值聚类逆近邻共享近邻二阶K近邻流形数据
论文发表日期：2026-02-28
在线出版日期：2026-04-08（本平台首次上网日期，不代表文献的发表时间）
页数：9( 388-396 )
英文信息