轮廓线聚类、轨迹聚类、形状聚类分析

模糊 C 均值聚类算法（FCM 算法）

是一种软聚类算法，
FCM 算法是一种比较典型的模糊聚类算法，可将多维数据空间分布的数据点分成特定数目的类。该算法可通过优化目标函数得到各样本点对所有类中心的隶属度，从而决定样本点的类属，进而达到自动对样本数据进行分类的目的。

密度峰值聚类

基于层次与密度的任意形状聚类算法

通过对层次聚类和密度聚类的对比分析，可以发现：

1. 层次聚类将不同阶段的数据集组成不同大小的簇，根据需要定制聚类分裂和合并准则，并在簇的分裂和合并过程中达到逐步求精的目的。这类算法比较灵活，但是不能自动确定聚类个数和聚类终止点。
2. 与层次聚类算法不同，密度聚类算法寻找被低密度数据区域分离的高密度数据区域，可识别任意形状的聚类，能够自动确定聚类个数和聚类终止点，但是密度聚类算法不够灵活，聚类结果对密度参数的选择比较敏感，而且不适用于密度差异较大的数据集。

研究发现，结合这 2 类聚类算法，通过互补的方式来改进各自的不足和发挥各自的优点。

一种新颖的基于层次和密度的任意形状聚类算法，它结合层次聚类算法和密度聚类算法的特点。该算法在层次聚类的框架下，使用基于密度的子簇合并准则，将簇间边界区域密度大于等于其中任意一个子簇平均密度的相邻子簇合并。根据上述聚类合并准则，该算法无需人为指定参数即可自动终止算法，并且在子簇合并过程中考虑了簇的密度信息以及使用动态模型进行聚合，可有效识别任意形状的聚类。

参考链接：
[1] 【深度学习】 自编码器（AutoEncoder）2020.11
[2] 基于密度峰值的终端区航迹聚类与异常识别 2021.10
[3] 基于层次与密度的任意形状聚类算法 2016.7