[发明专利]一种基于KNN的密度峰值聚类方法在审
申请号: | 201811617176.6 | 申请日: | 2018-12-28 |
公开(公告)号: | CN109697471A | 公开(公告)日: | 2019-04-30 |
发明(设计)人: | 朱庆生;姚成亮;粟铭瑶;冉谨铭;张智勇;程东东 | 申请(专利权)人: | 重庆大学 |
主分类号: | G06K9/62 | 分类号: | G06K9/62 |
代理公司: | 重庆市前沿专利事务所(普通合伙) 50211 | 代理人: | 郭云 |
地址: | 400044 *** | 国省代码: | 重庆;50 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 样本点 聚类集合 聚类 数据集中 算法 标记排列 分配策略 计算数据 降序排列 近邻信息 邻居搜索 有效解决 数据集 分配 分类 | ||
本发明公开一种基于KNN的密度峰值聚类方法,包括以下几个步骤:S1:通过自然邻居搜索算法得到数据集中每个样本点的K值;S2:计算数据集中每个样本点的K个近邻信息,得到第一聚类集合;S3:计算第一聚类集合中每个样本点的密度,对密度进行降序排列,标记排列前G的密度对应的样本点为核心点,对核心点进行分类形成第二聚类集合;S4:对数据集中所有样本点进行分配,得到第三聚类集合。本发明能有效解决Club算法中平均值接近0或者小于0的数据集的K值无法计算的问题,同时将非核心点的分配采取两步分配策略,提高聚类的精度。
技术领域
本发明涉及数据聚类技术领域,特别涉及一种基于KNN的密度峰值聚类方法。
背景技术
当前是一个数据的时代,每时每刻都有大量的数据产生。需要从大量的数据中发现有用的知识和规律,因此数据挖掘技术由此而生,而聚类就是数据挖掘技术中的一个重要分支。聚类是根据用户定义的样本相似度计算方式将数据划分成若干个类簇的过程,最终的结果是希望簇中样本的相似度高,而簇间的相似度低。由于聚类不需要类标签,常常作为其他挖掘步骤的先行分析方式。聚类在模式识别、机器学习、智能推荐、图像处理等多个领域已经有非常广泛的应用。
聚类方法的研究已经有数十年,已有的聚类方法主要分为以下几类:基于划分的聚类、基于密度的聚类、基于层次的聚类、基于网格的聚类和基于模型的聚类。K-Means算法是典型的基于划分的聚类方式,该算法首先随机选取K个聚类中心,然后将剩余样本划分到距离其最近的聚类中心所在的簇并重新计算聚类中心,多次迭代直至结果不再划分;其中K由用户指定。K-Means算法是将样本划分至距离最近的簇中,因此该算法无法发现任意类型的簇,且K值的指定需要用户对数据有一定的认识。DBSCAN算法是基于密度的典型算法,通过邻域半径和邻域内样本数量两个参数来判断簇的生成;但是,该算法对邻域半径比较敏感,较小的邻域半径值可能会导致聚类结果产生过多的簇,较大的邻域半径值会导致较小的簇被合并到一个簇中。
2014年,Science上发表了一种密度峰值聚类算法(Desity PeaksCluseringAlgorithm,DPCA),该算法计算样本点的密度和到其他高密度点的距离做决策图,能够有效发现聚类中心和离群点。接着,DPCA引起了广泛的研究,多种密度峰值聚类算法产生。Ding等将网格聚类方法和DPCA相结合,有效改善了DPCA的时间复杂度问题;Jiang等人把引力公式引入DPCA,使得发现聚类中心和离群点更有效。2016年,Mei Chen等人提出了结合KNN的有效密度聚类方法(Effectively clustering by finding densitybackbone based-on kNN,CLUB),该算法中K值的计算依赖于数据集的标准差和平均值,如果数据集的平均值接近于0或者小于0,无法得到有效的K值,算法无法进行。
发明内容
针对已有CLUB聚类算法在数据集均值接近0而无法得到有效的K值问题,本发明提供一种基于KNN(k-NearestNeighbor,K最近邻)的密度峰值聚类方法,通过对算法的优化,进而得到有效的K值,提高数据的聚类效果。
为了实现上述目的,本发明提供以下技术方案:
一种基于KNN的密度峰值聚类方法,包括以下几个步骤:
S1:通过自然邻居搜索算法得到数据集中每个样本点的K值;
S2:计算数据集中每个样本点的K个近邻信息,得到第一聚类集合;
S3:计算第一聚类集合中每个样本点的密度,对密度进行降序排列,标记排列前G的密度对应的样本点为核心点,对核心点进行分类形成第二聚类集合;
S4:对数据集中所有样本点进行分配,得到第三聚类集合。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于重庆大学,未经重庆大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201811617176.6/2.html,转载请声明来源钻瓜专利网。