[发明专利]一种基于密度的层次聚类方法

说明书

本发明公开一种基于密度的层次聚类方法，包括以下几个步骤：S1：计算数据集中每个样本点的自然邻居数量；S2：根据自然邻居数量获得K值；S3：根据k值获取每个样本点的最近邻集合；S4：计算样本点的相对近邻核密度，得到密度值集合；S5：根据相对近邻核密度对数据集中样本点进行分类得到高密度点集合和低密度点集合；S6：将低密度点分配给高密度点，分别得到相对应高密度点的第一子簇，从而得到第一簇集合；S7：将第一簇集合中的第一子簇进行合并得到第二簇集合；S8：将剩余样本点分配到第二簇集合，得到第三簇集合。本发明能够有效解决聚类算法中参数的选择问题，避免人为设置参数带来的实验主观因素影响。

技术领域

本发明涉及数据聚类技术领域，特别涉及一种基于密度的层次聚类方法。

背景技术

基于密度的聚类算法核心是密度的定义，而密度主要描述的是数据点周边的部分邻域信息，然后通过密度估计函数来计算该点的密度值，该类算法的准则是通过数据点之间的密度相对信息来度量数据点之间的关系，从而达到聚类的效果的。对数据点之间的密度信息的计算也有着不同的方式，常用的方法有两种，第一种是在一个指定的邻域半径参数范围内，搜索数据集中的每个数据对象的该邻域半径范围内的所有点，然后通过统计这些数据点的个数来定义密度；通过点数进行判定密度，在搜索上能够使用数据索引进行加速，因此速度较快，然而却会产生不同的点有着相同密度的情况。第二种方式采用一些经典的核函数，通过对这些核函数中的参数进行设定，使用数据集中数据点处于数据集中位置的信息，进而估计出该点的密度，通常使用的核函数有高斯核函数与伽马核函数，使用核函数估计密度，可以避免不同点有相同密度的情况出现。

在使用核函数进行测量时，常用的核函数密度计算倾向于对小规模的数据集进行有偏估计；而基于最近邻(KNN)的改进核密度(NKD，Neighbor Kernel Density)计算能解决有偏估计的问题，但是因为NKD测量的是全局范围内的数据集，而一个低密度簇中仍然能存在高密度的数据点，因此NKD容易忽视小规模数据集。2017年提出了一种新的密度聚类算法-RECOME,该算法提出了一种新的密度测量方式：基于相对最邻的核密度(RNKD，RelativeNeighbor Kernel Density)，该方式通过最近邻(KNN)限定范围，在计算数据点的密度估计时，只考虑它周围的邻居点，能够很好的计算密集区域和稀疏区域的簇；然而该算法对于KNN中超参数K值得选取仍然不固定，需要人为设置，并且该算法对于高密度区域和低密度区域交叉点的判断不准确，并且在流形数据集上的表现较差，对于复杂数据集不具有很好的适用性，因此本发明的研究目的是在RNDK的基础上提出一种新的基于密度测量的层次聚类算法，用以解决上述问题。

发明内容

针对现有技术的不足，本发明提供一种基于密度的层次聚类方法，通过引入相对最近邻核密度来计算数据点的密度，并且引入自然邻来对超参数进行选取，避免人为设置参数带来的实验主观因素影响；并且在流形数据上具有良好的表现，也能处理密度分布不均的数据。

为了实现上述目的，本发明提供以下技术方案：

一种基于密度的层次聚类方法，包括以下几个步骤：

S1：计算数据集中每个样本点的自然邻居数量；

S2：根据样本点的自然邻居数量计算K值；

S3：根据k值获取每个样本点的最近邻集合；

S4：计算样本点的相对近邻核密度，得到密度值集合；

S5：根据相对近邻核密度对数据集中样本点进行分类得到高密度点集合和低密度点集合；

S6：将低密度点分配给高密度点，分别得到相对应高密度点的第一子簇，从而得到第一簇集合；

S7：将第一子簇进行合并得到第二簇集合；

S8：将剩余样本点分配到第二簇集合，得到第三簇集合。