来源：期刊VIP网 时间：
作者：刘天娇;王胜景;袁永生;
单位：河海大学数学学院;
摘要：密度峰值聚类算法（DPC）通过决策图直观地找到类簇中心进而完成聚类，是一种简单高效的聚类算法。然而，DPC算法的截断距离和类簇中心都是人为确定的，受主观影响较大，具有不确定性。针对上述问题，提出一种基于类簇合并的无参数密度峰值聚类算法（NDPCCM）。首先根据样本点两两之间的相似度的分布特征将其分为类内相似度和类间相似度两种类型，并利用类内相似度自动确定截断相似度，避免了人为设置参数；接着根据簇中心权值的下降趋势自动选择初始类簇中心，得到初始类簇；最后通过合并初始类簇对初步聚类结果进行优化，提高了聚类的准确性。在人工数据集和UCI真实数据集上，将所提算法与DPC、DBSCAN、K-means算法进行对比实验。结果表明所提算法无需输入参数就能够自动得到类簇，且聚类性能优于其他算法。
关键词：聚类分析;;密度峰值聚类算法;;初始类簇;;类簇合并;;相似度;;聚类性能
基金资助：国家自然科学基金资助项目（11201116）
