基于密度峰值多起始中心的融合聚类算法

摘要：

经典K-Means算法不能有效处理非球型数据集的聚类问题,且聚类目标数需预先指定.SMCL(Self-adaptive Multiprototype-based Competitive Learning)算法是一种K-Means的改进算法,它引入Multi-Prototypes机制,并将距离相近的Prototypes所代表的样本簇融合成聚类簇.在SMCL算法基础上提出DP-SMCL(Density Peak-SMCL)算法,使用密度峰值聚类算法确定初始聚类中心集,借助1-D高斯混合概率密度模型合并以Prototypes为中心的相近子簇来获得精确聚类结果.实验结果表明,DP-SMCL算法可应用于非球型数据集聚类,且能自动确认聚类的目标类别数,相比于K-Means和DBSCAN(Density-Based Spatial Clustering of Applications with Noise)等经典聚类算法能够获得更加准确的聚类结果.同时,与SMCL算法相比,DP-SMCL可以快速完成初始Prototypes的选定,显著提升算法准确率和执行效率.

关键词：K-Means;Multi-Prototypes;聚类;1-D高斯混合概率密度模型;非球型数据集

所属期刊栏目：57

分类号：TP301.6(计算技术、计算机技术)

资助基金：国家重点研发计划;国家自然科学基金;安徽省自然科学基金

在线出版日期：2021-11-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：78-85