[发明专利]密度峰值聚类算法的聚类策略优化

说明书

本发明提出了一种方法，对于密度峰值聚类算法的聚类策略进行优化，主要解决密度峰值聚类算法在确定聚类中心后，剩余点分配过程中，因某个点分配错误而导致的“多米诺骨牌”效应。利用k‑dist值剔除噪声点，使簇与簇之间更加独立；运用广度优先搜索遍历算法对簇进行遍历，实现样本点的聚类；最后将剩余点分批次的分配给离其最近的点所在的类。这种聚类策略减少了噪声点对聚类结果的影响，避免了聚类过程中因为一个点分配错误而导致的连锁反应，显著提高了聚类效果。

技术领域

本发明涉及聚类分析技术领域，主要是对密度峰值聚类算法的聚类策略优化。

背景技术

聚类分析是一种无监督的学习方法，其目的是按照特定的标准，将数据划分到不同的簇中，探索数据的隐含信息，作为一种数据分析方法，聚类分析被广泛的应用于数据分析，图像处理，生物信息学，模式识别，机器学习等领域，传统的聚类分析方法主要分为以下几大类：基于划分的方法、基于层次的方法、基于密度的方法、基于网格的方法、基于模型的方法等等，密度峰值聚类算法(Clustering by fast search and find of densitypeaks)是一种基于密度的聚类方法，于2014年由Alex Rodriguez和Alessandro在LaioScience上发表，该算法简洁且高效，可以快速搜索并发现任意形状数据集的密度峰值点，适用于大量数据的聚类，DPC算法首先需要计算数据集中每个点的局部密度ρ，然后找出每个点到局部密度比其大的最近点之间的欧氏距离δ；根据ρ和δ值画出决策图，并通过决策图选出初始聚类中心点；对于剩余的点，依次将其分配给密度比其大的最近点所在的簇类，DPC算法不需要事先指定簇类的数目，而是通过决策图选择聚类中心。

DPC算法虽然简洁高效，但在分配剩余点的时候存在以下缺陷：在将某个点A分配给局部密度比其大的最近点B所在的簇类时，若两个簇的距离较近，B点所在的簇类与与A点不属于同一个簇类，会导致该点的聚类结果发生错误，进而引发连锁反应，该点后面的点的聚类结果也会跟着出错。

发明内容

在针对上述提出的密度峰值聚类算法的缺陷，本文提出了一种新的聚类策略，对剩余点的分配过程进行优化，以避免出现相似的问题。具体步骤如下。

计算数据集中的每个样本点，到离其最近的第k个点之间的欧式距离，此距离记为该点的k-dist值，将数据集中所有样本点的k-dist值按照由小到大的顺序排序，取5％左右、k-dist值最大的样本点，标记为原始噪声点，k值的选取决定了将数据集中的哪些样本点标记为原始噪声点，在k＝1、k＝2、k＝3时，数据集中选取的原始噪声点是不同的，因此k值的选取决定了原始噪声点在数据集中的位置，也决定了是否能适当的将不同的簇分开。

为了使簇与簇之间分离的更加彻底，以每个原始噪声点为中心，将离其最近的第n个点标记为新噪声点；同时将所有原始噪声点到离其最近的第n个点的欧氏距离保存起来，从中选取最小值，记作R，为了防止选取过多的噪声点，此处的n值应尽量小，一般为1或2。

通过决策图选取多个初始聚类中心，视为集合H。从集合H中任选一点作为初始聚类中心点A，从A点开始，以上方选取的R值为半径画圆，将圆内所有未被标记过的点(且该点不能是噪声点)，标记为同一类，标记完成以后，从圆内选取离A点最近的点作为新的中心点，并同样以该点为中心，以R值为半径画圆，将圆内所有未被标记过的点标记为同一类，以此类推，利用广度优先搜索遍历算法的原理，遍历其它的点，当中心点范围内找不到未被标记过的点时，返回上一层，然后选取离上一层中心点第二近的点作为新的中心点，以R值为半径画圆，直到所有的点都找不到未被标记过的点(噪声点除外)为止，遍历结束。

以R值为半径能够最大程度的避免在遍历的过程中，从一个簇遍历到另一个簇中的点，选取原始噪声点时，一般选在簇与簇之间的临界处，以每个原始噪声点为中心，将离其最近的第n个点标记为新噪声点，能够保证簇与簇之间的欧式距离大于R值。