计算机工程与应用

2021, v.57;No.989(22) 78-85

[打印本页] [关闭]
本期目录(Current Issue) | 过刊浏览(Past Issue) | 高级检索(Advanced Search)

基于密度峰值多起始中心的融合聚类算法
Fusion Clustering Algorithm Based on Multi-Prototypes Using Density Peaks

梅婕;魏圆圆;许桃胜;

摘要(Abstract):

经典K-Means算法不能有效处理非球型数据集的聚类问题,且聚类目标数需预先指定。SMCL(Self-adaptive Multiprototype-based Competitive Learning)算法是一种K-Means的改进算法,它引入Multi-Prototypes机制,并将距离相近的Prototypes所代表的样本簇融合成聚类簇。在SMCL算法基础上提出DP-SMCL(Density Peak-SMCL)算法,使用密度峰值聚类算法确定初始聚类中心集,借助1-D高斯混合概率密度模型合并以Prototypes为中心的相近子簇来获得精确聚类结果。实验结果表明,DP-SMCL算法可应用于非球型数据集聚类,且能自动确认聚类的目标类别数,相比于K-Means和DBSCAN(Density-Based Spatial Clustering of Applications with Noise)等经典聚类算法能够获得更加准确的聚类结果。同时,与SMCL算法相比,DP-SMCL可以快速完成初始Prototypes的选定,显著提升算法准确率和执行效率。

关键词(KeyWords): K-Means;Multi-Prototypes;聚类;1-D高斯混合概率密度模型;非球型数据集

Abstract:

Keywords:

基金项目(Foundation): 国家重点研发计划(2017YFD0700501-2);; 国家自然科学基金(61902372);; 安徽省自然科学基金(2008085QF292,1908085QE202)

作者(Author): 梅婕;魏圆圆;许桃胜;

Email:

DOI:

参考文献(References):

扩展功能
本文信息
服务与反馈
本文关键词相关文章
本文作者相关文章
中国知网
分享