[发明专利]一种参数自适应的密度峰值聚类方法

说明书

本发明涉及一种参数自适应的密度峰值聚类方法，其特征在于，包括以下步骤：S1：基于数据密度属性自动获得数据角色；S2：以簇头节点为核心实现自动聚类；S3、评价聚类结果与自适应调整聚类参数，迭代优化聚类结果。

技术领域

本发明属于网络数据通信技术领域，涉及一种通信领域用聚类方法，尤其是一种参数自适应的密度峰值聚类方法。

背景技术

随着硬件技术，网络通信技术，各种传感设备和各种信息技术的飞速发展，在社会网络，传感器网络，电子商务，网络监控，气象环境监测，金融零售企业等多个应用领域，产生了大量的动态数据，如何在这些数据中获取有效的知识成为大数据应用研究的热点。

聚类分析是无监督的机器学习方法，不需要设置样本数据集进行训练就可以对数据进行有效的划分，因此在大数据分析领域具有很好的应用前景。目前聚类算法已经在金融分析、环境监测、工业控制等领域有着广泛的用途，是机器学习领域重要的分支之一。

现有的聚类算法需要设置初始参数，实现聚类，而初始参数对计算结果影响较大，需要准确的先验知识设置参数值，导致聚类效率低的缺陷。此为现有技术的不足之处。

因此，针对现有技术中的上述缺陷，提供设计一种参数自适应的密度峰值聚类方法；以解决现有技术中的上述缺陷，是非常有必要的。

发明内容

本发明的目的在于，针对上述现有技术存在的缺陷，提供设计一种参数自适应的密度峰值聚类方法，以解决上述技术问题。

为实现上述目的，本发明给出以下技术方案：

一种参数自适应的密度峰值聚类方法，包括以下步骤：

S1：基于数据密度属性自动获得数据角色；

S2：以簇头节点为核心实现自动聚类；

S3、评价聚类结果与自适应调整聚类参数，迭代优化聚类结果。

所述步骤S1包括以下步骤：

S11：计算数据点的节点局部密度，用ρ表示节点局部密度，计算公式如下：

其中d_c是以节点i为中心的邻域Ar的半径，所有在此区域内的点视为i的邻居节点，d_ij是节点i到节点j的欧氏距离；

得到节点的所有密度值之后对其进行从大到小排序得到序列{ρ_q1，ρ_q2，...，ρ_qn}；

S12：计算数据点的最近高密度点距离，用δ表示最近高密度点距离；用以下公式计算节点i最近且比i密度高的节点的距离δ；

ρ和δ组合及其角色判断如表1所示。

表1数据角色分配表

所述步骤S2包括以下步骤：

当所有节点的角色分配完毕之后，所有簇内点选择距离自己最近的簇头，加入该簇头的类中，形成微簇，然后所有的微簇按以下公式计算相互间的距离：

其中，m和n分别是两个相邻微簇的节点数，i和j分别是两个不同微簇中的点，如果根据公式(3)计算的两个微簇间的距离小于d_c，则这两个簇进行合并，新簇的簇头由原簇头中局部密度较大的一个担任；当所有的微簇间的距离都大于d_c，本次聚类结束。

所述步骤S3包括以下步骤：

采用待定点优化聚类，具体公式如下：