基于密度聚類算法的研究與改進(jìn).pdf

1、聚類分析，是一種在沒(méi)有任何先驗(yàn)知識(shí)的情況下對(duì)待聚類數(shù)據(jù)根據(jù)數(shù)據(jù)間的相似性來(lái)進(jìn)行分類的一種技術(shù)，在模式識(shí)別中被稱為無(wú)監(jiān)督分類，在統(tǒng)計(jì)學(xué)中被稱為非參數(shù)估計(jì)。聚類分析被廣泛地應(yīng)用于眾多學(xué)術(shù)領(lǐng)域，比如生物信息學(xué)、信息安全、文本聚類等。在過(guò)去發(fā)展的幾十年，數(shù)以千計(jì)的聚類算法被不同學(xué)者提出，但是仍存在很大的研究空間，例如如何處理不同形狀及密度的簇，對(duì)高維數(shù)據(jù)的合理計(jì)算，如何有效測(cè)定聚類結(jié)果當(dāng)中簇的數(shù)量，噪聲點(diǎn)的合理檢測(cè)及如何定義及評(píng)判一個(gè)正確的簇等

2、等。
　　Alex Rodriguez與Alessandro Laio在2014年提出了一種新的啟發(fā)式聚類算法CFSFDP(Clustering by Fast Search and Find of Density Peaks)。該算法具有初始參數(shù)少、執(zhí)行速度快、可有效探測(cè)目標(biāo)簇?cái)?shù)目及對(duì)噪聲數(shù)據(jù)不敏感的特點(diǎn)，本文通過(guò)一系列實(shí)驗(yàn)證明了該算法的有效性，并且該算法提出者利用Olivetti人臉數(shù)據(jù)庫(kù)中的圖片聚類來(lái)證明該算法可以處理高維度

3、數(shù)據(jù)。
　　然而通過(guò)學(xué)習(xí)研究發(fā)現(xiàn)，該算法在遇到某些情況時(shí)表現(xiàn)不好。首先，該算法的初始簇中心的選取需要依靠人工選定且對(duì)處于密度稀疏區(qū)域的簇中心無(wú)法有效提取。其次，該算法認(rèn)定數(shù)據(jù)集中的每個(gè)簇有且僅有一個(gè)局部密度值極點(diǎn)，這將導(dǎo)致?lián)碛卸嗝芏葮O值點(diǎn)的簇及共享密度極值點(diǎn)的簇被錯(cuò)誤劃分。再者，該算法對(duì)噪聲點(diǎn)的識(shí)別方法會(huì)致使較多的數(shù)據(jù)點(diǎn)被判定為噪聲。基于這些發(fā)現(xiàn)，本文提出一種新的基于密度峰值的算法，改進(jìn)算法通過(guò)改進(jìn)的決策值計(jì)算方法來(lái)構(gòu)建決策圖，通