典型文献
采用有效邻近点和适应密度的密度聚类算法
文献摘要：
密度聚类作为一类重要的聚类分析方法,具有无需预先指定类簇数,可识别任意形状聚类族等优点,但在计算密度的过程中,K近邻或邻域半径的选取对聚类效果具有较大的影响,且当数据集中存在类簇间距相差较大的情况时,密度聚类无法自适应类簇中数据对象密度变换,导致聚类效果与实际存在较大误差.针对现有密度聚类分析存在的不足,利用有效邻近点和适应密度分布,提出了一种密度聚类分析算法.该算法首先通过相对距离确定伸缩半径,定义了数据对象的有效邻近点,并有效地克服了近邻值K选取对聚类效果的影响;其次,计算核心点和边界点阈值,依据有效邻近点,并确定类簇中的核心区域数据对象,有效地改善了聚类分析效率;然后,调整簇内有效距离,改善了类簇密度分布不均匀、类簇间距离过大等问题;最后,在人工和UCI数据集上验证了该算法的有效性.
文献关键词：
密度聚类;伸缩半径;有效邻近点;适应密度分布;相对距离
中图分类号：
作者姓名：
闫强强;张敏;荀亚玲
作者机构：
太原科技大学 计算机科学与技术学院,山西 太原030024
文献出处：
引用格式：
[1]闫强强;张敏;荀亚玲-.采用有效邻近点和适应密度的密度聚类算法)[J].计算机技术与发展,2022(09):14-22
A类：
有效邻近点,适应密度分布,伸缩半径
B类：
密度聚类算法,聚类分析方法,预先指定,任意形状,形状聚类,近邻,邻域半径,簇间距,数据对象,聚类分析算法,相对距离,定伸,核心点,边界点,核心区域,分析效率,有效距离,分布不均匀,UCI
AB值：
0.27914
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
