不确定数据的最优k近邻和局部密度聚类算法

来源期刊：控制与决策2016年第3期

论文作者：陆亿红 夏聪

文章页码：541 - 546

关键词：k近邻;局部密度;不确定数据;聚类算法;

摘    要：传统聚类算法一般针对的是确定数据,无法解决不确定数据的聚类问题;现有基于密度的不确定数据聚类算法存在参数敏感且计算率低的问题.对此,在引进新的不确定数据相异度函数、最优近邻、局部密度和互包含概念的基础上,提出解决不确定数据聚类问题的不确定数据的最优k近邻和局部密度聚类(OLUC)算法.该算法不仅能降低参数敏感性,提高计算效率,而且具有动态自适应优化k近邻,快速发现聚类中心和除噪优化的能力.实验结果表明,所提出的算法对无论是否存在噪声的不确定数据集都效果良好.