来源：期刊VIP网 时间：
作者：赵嘉;马清;陈蔚昌;肖人彬;崔志华;潘正祥;
单位：南昌工程学院信息工程学院,南昌市智慧城市物联感知与协同计算重点实验室;华中科技大学人工智能与自动化学院;太原科技大学计算机科学与技术学院;山东科技大学计算机科学与工程学院;
摘要：流形数据由一些弧线形类簇组成,其特点是同一类簇的样本间距离较大.密度峰值聚类(DPC)算法具有简单高效的特点,但应对流形数据时表现不佳. DPC算法的两种密度度量标准可能造成不同程度的信息缺失,其分配策略仅参考距离和密度,致使聚类精度不高.提出面向流形数据的加权自然近邻DPC(DPC-WNNN)算法,定义样本局部密度时,综合分析样本的局部和全局信息,引入加权的自然近邻以及逆近邻来应对高斯核或截断核的信息缺失问题.设计样本分配策略时通过引入共享近邻和共享逆近邻计算样本相似度,弥补DPC算法空间因素缺失的问题.将DPC-WNNN算法在流形数据集和真实数据集上与7种类似算法进行比较,结果表明该算法能更有效地找到类簇的中心点并准确分配样本,表现出良好的聚类性能.
关键词：密度峰值;;聚类;;流形数据;;自然近邻
基金资助：国家自然科学基金项目(52069014,62466037)
