自适应聚类中心策略优化的密度峰值聚类算法

来源：计算机工程与应用杂志2023年第21期北京时间：

作者：徐童童, 解滨, 张喜梅, 张春昊

单位：1.河北师范大学 计算机与网络空间安全学院，石家庄 050024 ；2.河北师范大学 河北省网络与信息安全重点实验室，石家庄 050024；3.河北师范大学 供应链大数据分析与数据安全河北省工程研究中心，石家庄 050024

摘要：密度峰值聚类算法（DPC）是一种简单高效的无监督聚类算法，能够快速找到聚类中心完成聚类。该算法通过截断距离定义局部密度未考虑样本点的空间分布特征；通过决策图选择聚类中心点，具有较强人为主观性；在分配样本点时采用单一分配策略，易产生连带错误。因此提出一种自适应聚类中心策略优化的密度峰值聚类算法（ADPC），采用共享近邻定义两点之间的相似性度量，重新定义了局部密度，使局部密度反应样本间的空间分布特征；通过相邻点之间斜率差分确定样本密度[ρ]与相对距离[δ]的乘积[γ]值的“拐点”，并对[γ]进行幂函数变换，以提高潜在聚类中心与非聚类中心的区分度，利用决策函数确定潜在的聚类中心，再通过潜在聚类中心之间距离均值自适应确定真实聚类中心；优化了非聚类中心点的分配策略。通过在UCI以及人工数据集上进行实验，该算法都可以自适应准确选定聚类中心，且在一定程度上提高了聚类性能。

关键词：密度峰值聚类,共享近邻,斜率差分,自适应,决策函数