密度峰值快速聚类算法优化研究

计算机工程与科学

密度峰值快速聚类算法优化研究

王鹏飞1，杨余旺1，柯亚琪2

（1.南京理工大学计算机科学与工程学院,江苏南京 210094;

2.南京农业大学园艺学院，江苏南京 210095）

收稿日期:2017-03-30 修回日期:2017-05-11 出版日期:2018-08-25 发布日期:2018-08-25
基金资助:
国家自然科学基金(61640020）；江苏省重点研发计划（BE20163681）

Optimization of clustering by fast

search and find of density peaks

WANG Pengfei1，YANG Yuwang1，KE Yaqi2

(1.School of Computer Science and Engineering,Nanjing University of Science and Technology,Nanjing 210094;

2.College of Horticulture,Nanjing Agricultural University,Nanjing 210095,China)

Received:2017-03-30 Revised:2017-05-11 Online:2018-08-25 Published:2018-08-25

摘要/Abstract

摘要：

密度峰值快速搜索聚类CFSFDP算法选择聚类中心时需要通过人工在决策图中选择，且最后进行簇核心与簇光晕划分时会将簇的一些边缘部分划入簇光晕中，导致划分结果不够合理。针对以上问题，提出一种聚类中心自动选择及簇核心与簇光晕分割优化的聚类算法。利用异常检测的思想，寻找簇中心权值的异常点，将异常点作为各簇的聚类中心；引入簇内局部密度，实现对簇核心与簇光晕更合理的分割。通过实验对比，本文提出的算法自动化效果优于CFSFDP算法且得到的聚类结果更为精确。

关键词: 聚类, 密度峰值, 异常检测, 簇中心点

Abstract:

The cluster center is chosen manually in the decision graph of the clustering by fast search and find of peaks (CFSFDP) algorithm. And when the cluster is divided into cluster core and cluster halo, some points on the edge of the cluster are divided into the cluster halo group, leading to unreasonable division results. To solve the above problem, we propose a clustering algorithm for automatic selection of cluster center and optimization of the division of cluster core and cluster halo. We adopt the idea of anomaly detection to find the anomaly points of the cluster center. The anomaly points are regarded as the cluster center. And local density in the cluster is introduced for the optimization of the division of cluster core and cluster halo. Comparative experiments show that the proposed algorithm is superior to the CFSFDP algorithm in automation effect and the clustering results are more accurate.

Key words: clustering, density peak, anomaly detection, cluster center

王鹏飞1，杨余旺1，柯亚琪2. 密度峰值快速聚类算法优化研究[J]. 计算机工程与科学.

WANG Pengfei1，YANG Yuwang1，KE Yaqi2.

Optimization of clustering by fast

search and find of density peaks

[J]. Computer Engineering & Science.

[1]	苏宇杭, 马俊, 樊津瑜, 陈博行, 周家城, 尹博然. 基于GATv2-TCN联合优化的WSN数据流异常检测算法[J]. 计算机工程与科学, 2025, 47(5): 843-850.
[2]	尹春勇, 张小虎. 基于Transformer和Text-CNN的日志异常检测[J]. 计算机工程与科学, 2025, 47(3): 448-458.
[3]	谢斌, 李燕伟, 杨舒敏, 徐燕, 王冠超. 结合图像分解和自稀疏模糊聚类的情感颜色迁移[J]. 计算机工程与科学, 2025, 47(3): 513-523.
[4]	刘拥民, 许成, 黄浩, 张钱垒, 赵俊杰, . 基于SAE和WGAN的入侵检测方法研究[J]. 计算机工程与科学, 2025, 47(2): 256-264.
[5]	卢建云, 邵俊明. 基于多层次密度中心图的聚类算法[J]. 计算机工程与科学, 2025, 47(2): 327-335.
[6]	蔡发鹏, 冯骥, 杨德刚, 陈仲尚. 基于自然邻域图划分的层次聚类算法[J]. 计算机工程与科学, 2025, 47(2): 370-380.
[7]	武培成, 赵旭俊, 靳黎忠. 基于网格密度积叠的流数据异常检测[J]. 计算机工程与科学, 2025, 47(1): 75-85.
[8]	陈兆波, 张琳, 马晓轩. 改进注意力混合自动编码器视频异常检测研究[J]. 计算机工程与科学, 2025, 47(1): 130-139.
[9]	余佳妮, 胡朝霞, 蒋从锋. 一种基于多特征的日志事件异常检测方法研究[J]. 计算机工程与科学, 2024, 46(9): 1587-1597.
[10]	李猛, 刘姿邑, 宋宇航. 基于双重自表达与最大熵原理的深度子空间聚类算法[J]. 计算机工程与科学, 2024, 46(9): 1685-1692.
[11]	柴旭清, 乔一航, 范黎林, . 一种基于随机森林分类器构建高性能应用程序性能分析模型的方法[J]. 计算机工程与科学, 2024, 46(7): 1218-1228.
[12]	尹春勇, 赵峰. 基于双层注意力和深度自编码器的时间序列异常检测模型[J]. 计算机工程与科学, 2024, 46(5): 826-835.
[13]	阳予晋, 王堃, 陈志刚, 徐悦, 李斌. 基于胶囊网络的异常多分类模型[J]. 计算机工程与科学, 2024, 46(3): 427-439.
[14]	宋鑫海, 韩京宇, 郎杭, 毛毅. 滑动窗口投票策略的QRS波群形态识别[J]. 计算机工程与科学, 2024, 46(2): 272-281.
[15]	钟卓辉, 陈黎飞, . 基于模型的非凸聚类算法[J]. 计算机工程与科学, 2024, 46(2): 292-302.