基于模糊邻域的比较密度峰值算法

来源：信号处理杂志 2019年第11期北京时间：

作者：李昕, 雷迎科

摘要：聚类作为机器学习中一种重要的无监督学习方式，在图像处理及生物基因分类上具有广泛的应用。《Clustering by fast search and find of density peaks》(DPC)提出通过寻找密度峰对数据进行分类，它既不需要迭代过程，也不需要太多参数输入。但DPC算法在球形数据集上表现较差，容易忽略潜在的聚类中心，且需要人工参与聚类中心选取。针对上述问题，本文采用模糊邻域关系计算数据密度，采用比较距离代替DPC算法中的相对距离。通过对机器学习数据集的实验，将本文提出的算法同DBSCN、OPTICS、DPC在准确率和调整兰德指数上进行比较。实验结果表明本文提出的算法可行有效

关键词：无监督机器学习, 密度峰值聚类算法, 模糊聚类算法, 比较距离