基于局部密度下降搜索的自适应聚类方法

摘要：

聚类分析是数据挖掘中一个重要的研究领域，用于在无监督条件下，从混合类别的数据集中分离各样本的自然分组。根据不同的先验条件，现已提出了多种不同的聚类算法。但复杂数据集中存在的聚类个数未知、聚类形态混杂、样本分布不均匀以及类间样本数不均衡等问题，仍然是当前聚类分析研究中的重难点问题。针对这些问题，通过定义样本分布的局部密度，提出了一种利用类内密度有序性搜索聚类边界的新的聚类方法，能够实现在未知聚类个数条件下，对任意分布形态的数据样本集进行聚类。同时，通过自适应调节聚类参数来处理数据分布疏密度不一、类间样本数不均衡以及局部密度异常等特殊情况，避免样本类别被误划分和噪声数据干扰。实验结果表明，在6类典型测试集上，提出的新聚类算法均有较好的适用性，而在与典型聚类算法和最近发表的一种聚类算法的性能指标对比上，新算法也表现更优。

关键词：数据挖掘、聚类、局部密度、下降搜索、自适应

所属期刊栏目：53

分类号：TP391(计算技术、计算机技术)

在线出版日期：2016-08-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1719-1728