计算机工程

作者：王治和, 曹旭琰, 杜辉

单位：西北师范大学 计算机科学与工程学院, 兰州 730070

关键词：密度聚类,初始点优化,反向最近邻,自适应半径,相似度矩阵

基金：国家自然科学基金（61962054）。

传统DBSCAN算法不能正确聚类密度不均匀的数据集，聚类结果受邻域阈值和密度阈值参数的影响较大。提出一种新的优化初始点和自适应半径的密度聚类算法。利用反向最近邻和相似度矩阵发现当前全局密度最大的数据样本，分析该样本周围密度的分布情况，采用自适应的方法计算当前簇的邻域阈值，并利用DBSCAN算法进行聚类。在人工数据集和UCI数据集上进行测试的结果表明，与经典的DBSCAN、OPTICS、RNN-DBSCAN算法相比，优化初始点和自适应半径的密度聚类算法在ARI、NMI、Homogeneity、Completeness和V-measure 5个评价指标上整体取得最优值，其中在Compound、Jain等数据集上达到1.0，具有较高的聚类效率和准确度。

来源：2022年第1期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第1期