超级会员免费看
摘要: 密度峰值聚类算法具有简单高效、无需迭代计算和提前设定类簇数的优势，但是在划分非类中心样本时容易产生“多米诺骨牌”效应，并且不能准确划分重叠区域的样本和噪声。为了解决以上问题，提出了不确定数据信任密度峰值聚类算法。首先，该算法在密度峰值聚类算法获取类中心样本的基础上，利用非类中心样本的K近邻求出样本属于不同类的信任值，将样本划分到信任值最大的类别，得到基于K近邻的初步聚类结果。然后，计算关于密度的上分位数得到密度阈值，在证据推理框架下进行信任划分，将密度小于该阈值的孤立样本划分到噪声类；处于重叠部分的样
本文提出了一种不确定数据信任密度峰值聚类算法（BDPC），旨在解决密度峰值聚类算法在处理非类中心样本时的“多米诺骨牌”效应和重叠区域样本划分问题。BDPC算法结合K近邻思想计算信任值，通过证据推理框架进行信任划分，有效地处理噪声和重叠样本。实验表明，BDPC算法在人工数据集和UCI数据集上相对于其他对比算法，如DPCSA、DPC-KNN-PCA、DPC，取得了更好的聚类性能，降低了错误率。
订阅专栏 解锁全文
扫一扫
2636
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
