山东大学学报(工学版)

作者：王丽娟,徐晓,丁世飞

单位：1.中国矿业大学计算机科学技术学院, 江苏 徐州 221116;2.徐州工业职业技术学院信息工程学院, 江苏 徐州 221114

关键词：密度峰值聚类,聚类中心,相似度矩阵,计算复杂度,大规模数据集,

基金：国家自然科学基金资助项目(62206296);中央高校基本科研业务费专项资金资助项目(2022QN1095);江苏省高等职业院校专业带头人高端研修资助项目(2022GRFX063)

针对密度峰值聚类(density peaks clustering, DPC)计算复杂度高的问题,提出一种面向密度峰值聚类的高效相似度度量(efficient similarity measure, ESM)法,通过仅度量最近邻之间的相似度构建不完全相似度矩阵。最近邻的选择基于一个随机第三方数据对象,无需另外引入参数。基于ESM法构建相似度矩阵,提出一种改进的高效密度峰值聚类(efficient density peaks clustering, EDPC)算法,在保持准确率的同时提高DPC识别聚类中心的效率。理论分析和试验结果表明,ESM法通过减少一定不相似的相似度,可以有效提高DPC及其改进算法基于K最近邻的密度峰值聚类(density peaks clustering based on K-nearest neighbors, DPC-KNN)和模糊加权K最近邻密度峰值聚类(fuzzy weighted K-nearest neighbors density peaks clustering, FKNN-DPC)的计算效率,具有较强的可扩展性。

来源：2024年第3期

《山东大学学报(工学版)》期刊编辑部

查看山东大学学报(工学版)杂志2024年第3期