文档介绍：万方数据
～一一一蛳一一一一～一姚～一岫一一～～～芬簧尽玥咖淼勰～州肚一鼬一一扎一．一岬囟放．帅‰帕搬‰笠籣呈．童酒小胁咖焉嚣弩刚羔灿．一猒惶幽一狮一婪ḿ‰．一枇一淼墨．删妇⋯砉幽一一一删如基于微簇融合的密度峰值聚类算法州㈣嘣逻病ā．鲫荆﹞歪尽脶哆耋．峨蔻硪虎栌鳍杼扎唬簧剑胁亳愀Ⅲ¨沁山虮“．㈣如弦痂卿山曲加山唧叩㈣妇．州禾Ⅻ．曲∞‰曲宋紫阳，张菁，刘小康，刘传修埘既眦．耋传感器与微系统年第卷第期虾９こ碳际醮笱У缱拥缙こ萄г海虾摘要：密度峰值聚类惴ǹ煽焖偎阉髅芏确宀⒔芯劾啵哂性ń诓问佟⑽扌璧奶氐恪５对于稀疏簇和密集簇的数据，简单的局部密度定义无法有效找到聚类中心，容错性能差。为解决上述问题，提出一种基于微簇融合的密度峰值聚类算法—。首先改进局部密度计算公式，其次将微簇融合策略与岷希詈笠敕歉悍纸馑惴ǎ允萁薪滴＃喔鍪菁笛檠橹ち怂岣慕惴的正确性和有效性。关键词：密度峰值；聚类；微簇融合；数据降维文献标识码：文章编号：———聚类属于无监督分类，度量根据数据的相似性，将数据划分为不同簇，使得同簇中数据具有较高的相似性，不同簇的数据问具有较大差异性３＜木劾嗨惴ㄓ腥郑惴ㄊ粲诨诜智乃惴ǎ问柚眉虻ィǜ算法存在对聚类中心较为敏感、需要手动设置聚类中心个数和无法辨别噪声点的不足’：惴ㄊ粲诓愦划分，聚类结果与数据输入顺序有关算法作为基于网格划分算法，将空间划分为不同的网格单元效果取决于网格的最低力度。太大或者太小都无法识别㈦。基于密度的聚类算法属于典型非参数型算法，其样本点的分布具有某种概率了一种密度峰值聚类“珼惴ǎ算法可以根据决策图确定聚类中心并检测非球形聚类，而无需指定聚类数。文献『认为惴ǖ牟问扑愎简单，忽略数据问的相关性，并在高维数据表现结果不佳，对此提出了—惴ǎ盟惴ㄒ肫ざ废喙叵凳来计算，，采用¨对数据进行降维处理。，文献认为惴ü谝览祊。和占。，存在参数选择的问题，提出了一种基于幕旌暇劾喾椒狣进了截止距离的选择机制，提高聚类精度，并基于架设计了优化聚类巾心的方法．采用遗传算法寻优。文献『衔5贝刂泻卸喔雒芏确迨保珼算法易将一个簇分为多个簇，提出一种基于支持向量机的新型合并策略，利用支持向量机扑忝扛鼍劾嘟峁问的反馈值，并根据反馈值进行微簇合并。惴ㄔ诖硐∈璐睾兔芗厥蔽薹ǜ咝У卣业聚类中心，在数据融合方面容错性差。因此，本文提出一种新的聚类方法，即微簇可融合的密度峰值聚类算法。首先，重新定义了局部密度扑愎剑浯谓诤喜呗杂隓算法结合，最后引入非负分解惴ǎ愿呶萁醜印㈣中图分类号：，，引言蚑。开发∞拈黾技豪旧，琒琒收稿日期：∞缸唱．“出增∞玎刚．Ⅱ；“培．●，
万方数据
沪×彘：筹㈣蝗ヒ凰プㄝ话僖煌摺觥隽州衙，一善爿桃淮！＃蝐搿，海喝旷善唧鲁徽去骞，：磊。《。，㈣一㈣盟㈣“。拢豪凇＃琫州舭阻，啤∑。一巧腻㈦∑∑ヒ唬∑“。曰，日辉货∑曰日⋯式中也为数据点鼍与数据点誓之问的距离，谚为截止距离。果。冈此本文提出了一种新的融合策略——微簇融合第期宋紫阳，等：基于微簇融合的密度峰值聚类算法降维，提高算法的鲁棒性能。通过不同的数据集进行实验．证明了本文改进算法在处理不同形状簇的有效性．惴惴攴⒈碓凇禢飞稀，具有不需迭代、参数设置少及等快速找到聚类中心等特点，近年来其衍生的相关算法迅速发展。惴ǖ暮诵乃枷胛#痕跤诿个采样点，首先计算两个变量，即局部密度偷搅诮大密度５木嗬耄缓竺扛霾裳愀辍瑌，