基于反向最近邻的密度估计聚类算法

来源：计算机工程与应用杂志2025年第1期北京时间：

作者：许梅梅, 侯新民

单位：1.中国科学技术大学 大数据学院，合肥 230026 ；2.中国科学技术大学 数学科学学院，合肥 230026；3.中国科学技术大学 中国科学院吴文俊数学重点实验室，合肥 230026；4.合肥国家实验室，合肥 230088

摘要：基于相互最近邻的密度峰聚类算法（DenMune）通过相互最近邻计算数据点的局部密度，是一种有效的聚类手段。但该算法存在构建聚类骨架不合理的问题，在分配弱点时采用硬投票策略，易产生错误。因此提出一种新的基于反向最近邻的密度估计聚类算法（RNN-DEC）。该算法引入反向最近邻来计算数据点的局部密度，将数据点分成强点、弱点和噪声点。使用强点构建聚类算法的骨架，通过软投票的方式将弱点分配到与其相似度最高的簇中去。提出了一种基于反向最近邻的簇融合算法，将相似度高的子簇融合，得到最终的聚类结果。实验结果表明，在一些合成数据集和UCI真实数据集上，相比较于其他经典算法，该算法具有更好的聚类效果。

关键词：反向最近邻,局部密度,密度聚类算法,子簇融合