[发明专利]一种K近邻相似度优化的密度峰聚类方法

摘要

本发明公开了一种K近邻相似度优化的密度峰聚类方法(Density Peaks clustering Optimized by K Nearest Neighbor’s Similarity，DPCKS)，主要解决了密度峰聚类算法(Density Peaks Clustering，DPC)无法处理流形数据聚类的问题。该方法采用新的函数计算点间相似度，然后寻找每个点的K近邻，利用K近邻对每个点分配时进行指向点检测，对于指向错误的点重新寻找它的指向点，最后剩余的点分配到指向点所在族类。本发明方法能够适用于流形数据聚类，具有更高的精度和适用范围，能满足实际工程应用的需求。

主权项

K近邻相似度优化的密度峰聚类方法，包括：(1)计算所有点间距离，算出截断距离dc值，利用高斯函数：计算每个数据点的密度，然后利用函数：计算每个点到密度比它大的最近点的距离δ。其中，dij表示点i和点j的距离。对于全局密度最大的点，令δi＝maxjdij。(2)根据每个点的ρ和δ值画出决策图，找出聚类中心。(3)根据函数：计算点间相似度，找到每个点的K近邻点。其中X＝(x1,…,xd)和Y＝(y1,…,yd)是d维空间中的两个向量，mi表示第i维上X和Y的平均值的绝对值。(4)所有的点按照密度从大到小排序，新建空数组Aq，Bq，并把聚类中心依次放入数组Aq。(5)按照密度从大到小的顺序，依次取点i，判断点i是否已经分配。如果已经分配，取下一个；如果未分配，则进行下一步。(6)判断点i是否是密度峰值点。如果不是，取下一个；如果是，判断点i与指向点j是否连通。如果连通，把点i放入数组Aq末尾；如果不连通，则把点i放入数组Bq末尾。(7)判断数组Bq是否为空，如果为空，则将剩余的点分配，结束；如果不为空，则分别从数组Aq中找出一个点j，从数组Bq中找出一个点h，满足点j与点h距离最近。(8)判断点h与点j是否连通，如果连通，则点h的指向点为点j，把点h归入点j所在族类，并将点h加入数组Aq末尾，并从数组Bq中删除点h；如果不连通，寻找下一对最近点，判断。重复，直到数组Bq为空或者数组Bq中剩余点都不与数组Aq中的点连通。(9)判断数组Bq是否为空，如果为空，则将剩余的点分配给指向点，结束；如果不为空，则从数组Bq中找出点t，从数组Aq中找出点j，满足点t与点j距离最近，将点t指向点j，并将点t加入数组Aq末尾，从数组Bq中删除点t，重复，直到数组Bq为空。(10)将剩余的点分配给指向点，结束。