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]	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(07): 1218-1228.
[2]	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(05): 826-835.
[3]	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(03): 427-439.
[4]	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(02): 272-281.
[5]	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(02): 292-302.
[6]	肖振国, 陈林书, 孙少杰, 梅本霞, 柳媛慧, 赵磊. 基于代数粒的聚类方法[J]. 计算机工程与科学, 2024, 46(01): 150-158.
[7]	张耐, 张晨亮, 柳永翔, 陈聪, 黄艳婷. 基于模型混合的智能交易行为异常检测[J]. 计算机工程与科学, 2023, 45(09): 1639-1647.
[8]	王若宾, 耿芳东, 张永梅, 宋威, 王伟锋, 徐琳. 基于改进自适应DBSCAN的混合式MOOC视频观看模式挖掘[J]. 计算机工程与科学, 2023, 45(09): 1670-1678.
[9]	尹春勇, 冯梦雪. 基于注意力机制的半监督日志异常检测方法[J]. 计算机工程与科学, 2023, 45(08): 1405-1415.
[10]	杨斌, 王敬宇, 刘世超, 邵明山, 肖伟, 陈起, 何晓斌, 刘卫国, 薛巍, . Beacon+：面向E级超级计算机的轻量级端到端I/O性能监控与分析诊断系统[J]. 计算机工程与科学, 2022, 44(09): 1521-1531.
[11]	何平, 李刚, 李慧斌, . 基于深度学习的视频异常检测方法综述[J]. 计算机工程与科学, 2022, 44(09): 1620-1629.
[12]	李帅, 常锦才, 李吕牧之, 蔡昆杰, . 基于差分隐私保护的Stacking集成聚类算法研究[J]. 计算机工程与科学, 2022, 44(08): 1402-1408.
[13]	李兰, 刘杰, 张洁. 基于YOLOv4改进算法的复杂行人检测模型研究[J]. 计算机工程与科学, 2022, 44(08): 1449-1456.
[14]	陈奉贤. 基于NR-Transformer的集群作业运行时间预测[J]. 计算机工程与科学, 2022, 44(07): 1181-1190.
[15]	庞兴龙, 朱国胜, 杨少龙, 李修远. 一种基于聚类与噪声的网络流量分类方法[J]. 计算机工程与科学, 2022, 44(07): 1207-1215.