基于加权K近邻的改进密度峰值聚类算法

来源：计算机应用研究杂志2020年第3期北京时间：

作者：杨震,王红军,

单位：国防科技大学,合肥230037；

摘要：密度峰值聚类算法是一种新颖的密度聚类算法，但是原算法仅仅考虑了数据的全局结构，在对分布不均匀的数据集进行聚类时效果不理想，并且原算法仅仅依据决策图上各点的分布情况来选取聚类中心，缺乏可靠的选取标准。针对上述问题，提出了一种基于加权K近邻的改进密度峰值聚类算法，将最近邻算法的思想引入密度峰值聚类算法，重新定义并计算了各数据点的局部密度，并通过权值斜率变化趋势来判别聚类中心临界点。通过在人工数据集上与UCI真实数据集上的实验，将该改进算法与原密度峰值聚类、K-means及DBSCAN算法进行了对比，证明了改进算法能够在密度不均匀数据集上有效完成聚类，能够发现任意形状簇，且在三个聚类性能指标上普遍高于另外三种算法。

关键词：数据挖掘,加权K近邻,密度峰值,聚类,

基金资助：国家自然科学基金资助项目；；