基于密度聚類算法的研究與改進.pdf

1、聚類分析，是一種在沒有任何先驗知識的情況下對待聚類數據根據數據間的相似性來進行分類的一種技術，在模式識別中被稱為無監(jiān)督分類，在統(tǒng)計學中被稱為非參數估計。聚類分析被廣泛地應用于眾多學術領域，比如生物信息學、信息安全、文本聚類等。在過去發(fā)展的幾十年，數以千計的聚類算法被不同學者提出，但是仍存在很大的研究空間，例如如何處理不同形狀及密度的簇，對高維數據的合理計算，如何有效測定聚類結果當中簇的數量，噪聲點的合理檢測及如何定義及評判一個正確的簇等

2、等。
　　Alex Rodriguez與Alessandro Laio在2014年提出了一種新的啟發(fā)式聚類算法CFSFDP(Clustering by Fast Search and Find of Density Peaks)。該算法具有初始參數少、執(zhí)行速度快、可有效探測目標簇數目及對噪聲數據不敏感的特點，本文通過一系列實驗證明了該算法的有效性，并且該算法提出者利用Olivetti人臉數據庫中的圖片聚類來證明該算法可以處理高維度

3、數據。
　　然而通過學習研究發(fā)現，該算法在遇到某些情況時表現不好。首先，該算法的初始簇中心的選取需要依靠人工選定且對處于密度稀疏區(qū)域的簇中心無法有效提取。其次，該算法認定數據集中的每個簇有且僅有一個局部密度值極點，這將導致?lián)碛卸嗝芏葮O值點的簇及共享密度極值點的簇被錯誤劃分。再者，該算法對噪聲點的識別方法會致使較多的數據點被判定為噪聲?；谶@些發(fā)現，本文提出一種新的基于密度峰值的算法，改進算法通過改進的決策值計算方法來構建決策圖，通