基于高斯核优化的密度峰值聚类算法

摘要：

DPC算法在处理紧密相邻的团形簇时,对于簇间样本点分配效果不佳,同时DPC算法对于团形簇由密集到稀疏的渐变区域,即边界点和噪音点的划分也存在着缺陷.针对这两个问题,本文提出基于高斯核优化的密度峰值聚类算法(Gauss-DPC).Gauss-DPC算法在DPC聚类算法快速发现簇中心的基础之上,通过计算簇内样本点到簇中心距离的统计量,利用统计量构建高斯判别式,使用高斯判别式进行簇间样本点的分配,最后引入高斯约束来区分簇边界点和噪声点.通过实验证明了Gauss-DPC算法具有更好的聚类效果,而且Gauss-DPC可以动态的控制簇的边界范围.

关键词：密度峰值聚类、簇内统计量、高斯核、边界约束

所属期刊栏目：16

分类号：TP391(计算技术、计算机技术)

在线出版日期：2020-11-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：192-194,209