本文關(guān)鍵詞：基于相對密度和流形上k近鄰的聚類算法

  更多相關(guān)文章： 流形距離 流形上k近鄰 k近鄰相似度 相對密度

【摘要】：針對傳統(tǒng)的基于歐氏距離的相似性度量不能完全反映復(fù)雜結(jié)構(gòu)的數(shù)據(jù)分布特性的問題,提出了一種基于相對密度和流形上k近鄰的聚類算法�；谀苊枋鋈忠恢滦孕畔⒌牧餍尉嚯x,及可體現(xiàn)局部相似性和緊密度的k近鄰概念,通過流形上k近鄰相似度度量數(shù)據(jù)對象間的相似性,采用k近鄰的相對緊密度發(fā)現(xiàn)不同密度下的類簇,設(shè)計近鄰點對約束規(guī)則搜尋k近鄰點對構(gòu)成的近鄰鏈,歸類數(shù)據(jù)對象及識別離群點。與標(biāo)準(zhǔn)k-means算法、流形距離改進(jìn)的k-means算法進(jìn)行了性能比較,在人工數(shù)據(jù)集和UCI數(shù)據(jù)集上的仿真實驗結(jié)果均表明,該算法能有效地處理復(fù)雜結(jié)構(gòu)的數(shù)據(jù)聚類問題,且聚類效果更好。
【作者單位】： 廣東輕工職業(yè)技術(shù)學(xué)院計算機(jī)工程系;華南理工大學(xué)自動化科學(xué)與工程學(xué)院;
【基金】：國家檔案局科技項目(2015-X-54) 廣東省自然科學(xué)基金資助項目(S2012040007599) 廣東省檔案局科技項目(YDK-95-2014)資助
【分類號】：TP311.13
【正文快照】： 1引言聚類分析是通過確定數(shù)據(jù)對象在某些屬性上的相似性,將其劃分成群組或類簇的過程。聚類的目標(biāo)是最大程度上實現(xiàn)類中的數(shù)據(jù)對象相似度最大、類間的數(shù)據(jù)對象相似度最小。聚類分析主要應(yīng)用于模式識別、機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘等多個領(lǐng)域,具有廣泛的應(yīng)用前景。基于劃分的方法是現(xiàn)，

本文編號：1249899