论文研究结合K近邻的改进密度峰值聚类算法.pdf

针对密度峰值聚类算法（DPC）在处理维数较高、含噪声及结构复杂数据集时聚类性能不佳问题，提出一种结合K近邻的改进密度峰值聚类算法（IDPCA）。该算法首先给出新的局部密度度量方法来描述每个样本在空间中的分布情况，然后引入核心点的概念并结合K近邻思想设计了全局搜索分配策略，通过不断将核心点的未分配K近邻正确归类以加快聚类速度，进而提出一种基于K近邻加权的统计学习分配策略，利用剩余点的K近邻加权信息来确定其被分配到各局部类的概率，有效提高了聚类质量。实验结果表明，IDPCA算法在21个典型的测试数据集上均有良好的适用性，而在与DPC算法及另外3种典型聚类算法的性能指标对比上，其优势更为明显。