一种自适应的密度峰值聚类算法

doi:10.12068/j.issn.1005-3026.2022.06.001

东北大学学报（自然科学版） ›› 2022, Vol. 43 ›› Issue (6): 761-768.DOI: 10.12068/j.issn.1005-3026.2022.06.001

• 信息与控制 • 下一篇

一种自适应的密度峰值聚类算法

马淑华，尤海荣，唐亮，何平

(东北大学秦皇岛分校控制工程学院，河北秦皇岛066004)

修回日期:2021-05-21 接受日期:2021-05-21 发布日期:2022-07-01
通讯作者: 马淑华
作者简介:马淑华(1967-)，女，河北秦皇岛人，东北大学秦皇岛分校教授.
基金资助:
国家自然科学基金资助项目(11705122)；河北省自然科学基金资助项目(F2020501040).

An Adaptive Density Peak Clustering Algorithm

MA Shu-hua， YOU Hai-rong， TANG Liang， HE Ping

School of Control Engineering， Northeastern University at Qinhuangdao， Qinhuangdao 066004， China.

Revised:2021-05-21 Accepted:2021-05-21 Published:2022-07-01
Contact: YOU Hai-rong
About author:-
Supported by:
-

摘要/Abstract

摘要： 针对密度峰值聚类(density peak clustering， DPC)算法不能根据数据集自适应选取聚类中心和截断距离d_c，从而不能自适应聚类的问题，提出了一种自适应的密度峰值聚类(adaptive density peak clustering， ADPC)算法.首先，提出了一个综合考虑局部密度ρ_i和相对距离δ_i的参数μ_i，根据μ_i的排列顺序及下降趋势trend自动确定聚类中心.然后，基于基尼系数G对截断距离d_c做了自适应选择.最后，对ADPC算法做出了实验验证，并与DPC算法和K-means算法进行了对比.实验结果表明，ADPC算法具有较高的ARI，NMI和AC值，具有较好的聚类效果.

关键词: 聚类;自适应;聚类中心;截断距离;下降趋势;基尼系数

Abstract: The density peak clustering algorithm cannot adaptively cluster because it cannot adaptively select the clustering center and cutoff distance d_c according to data set， so that an adaptive density peak clustering(ADPC) algorithm was proposed. Firstly， a parameter μ_i that comprehensively considers the local density ρ_i and cutoff distance δ_i was proposed， and the cluster center was automatically determined according to the sorting and downtrend of μ_i. Then， an adaptive selection of d_c was made based on the concept of Gini coefficient. Finally， the ADPC algorithm was verified and compared with the DPC and K-means algorithm. The experimental results show that the ADPC algorithm has higher ARI， NMI and AC values， and has a better clustering effect.

Key words: clustering; adaptive; clustering center; cutoff distance; downward trend; Gini coefficient

中图分类号:

TP391.4

马淑华，尤海荣，唐亮，何平. 一种自适应的密度峰值聚类算法[J]. 东北大学学报（自然科学版）, 2022, 43(6): 761-768.

MA Shu-hua， YOU Hai-rong， TANG Liang， HE Ping. An Adaptive Density Peak Clustering Algorithm[J]. Journal of Northeastern University(Natural Science), 2022, 43(6): 761-768.

参考文献

[1]Boomija M D，Phil M.Comparison of partition based clustering algorithms［J］.Journal of Computer Applications，2008，1(4):18-21.
[2]Krishna K，Narasimha Murty M.Genetic K-means algorithm［J］.IEEE Transactions on Systems，Man，and Cybernetics，Part B(Cybernetics)，1999，29(3):433-439.
[3]Park H S，Jun C H.A simple and fast algorithm for K-medoids clustering［J］.Expert Systems with Applications，2009，36(2):3336-3341.
[4]Huang Z，Ng M K.A fuzzy K-modes algorithm for clustering categorical data［J］.IEEE Transactions on Fuzzy Systems，1999，7(4):446-452.
[5]彭春春，陈燕俐，荀艳梅.支持本地化差分隐私保护的K-modes聚类方法［J］.计算机科学，2021，48(2):105-113.(Peng Chun-chun，Chen Yan-li，Xun Yan-mei.K-modes clustering guaranteeing local differential privacy［J］.Computer Science，2021，48(2):105-113.)
[6]Cardot H，Cénac P，Monnez J M.A fast and recursive algorithm for clustering large datasets with K-medians［J］.Computational Statistics & Data Analysis，2012，56(6):1434-1449.
[7]Tzortzis G F，Likas A C.The global kernel K-means algorithm for clustering in feature space［J］.IEEE Transactions on Neural Networks，2009，20(7):1181-1194.
[8]Wang J，Li M，Chen J，et al.A fast hierarchical clustering algorithm for functional modules discovery in protein interaction networks［J］.IEEE/ACM Transactions on Computational Biology and Bioinformatics，2010，8(3):607-620.
[9]Zhang T，Ramakrishnan R，Livny M.BIRCH:an efficient data clustering method for very large databases［J］.ACM Sigmod Record，1996，25(2):103-114.
[10]Kamal S，Burk L I.FACT:a new neural network-based clustering algorithm for group technology［J］.International Journal of Production Research，1996，34(4):919-946.
[11]Rani P.A survey on STING and CLIQUE grid based clustering methods［J］.International Journal of Advanced Research in Computer Science，2017，8(5):1510-1512.
[12]Meila M，Heckerman D.An experimental comparison of model-based clustering methods［J］.Machine Learning，2001，42(1):9-29.
[13]Zhang J，Yin Z，Wang R.Pattern classification of instantaneous cognitive task-load through gmm clustering，Laplacian eigen map，and ensemble svms［J］.IEEE/ACM Transactions on Computational Biology and Bioinformatics，2016，14(4):947-965.
[14]Kumar P，Varma K I，Sureka A.Fuzzy based clustering algorithm for privacy preserving data mining［J］.International Journal of Business Information Systems，2011，7(1):27-40.
[15]Bezdek J C，Ehrlich R，Full W.FCM:the fuzzy C-means clustering algorithm［J］.Computers & Geosciences，1984，10(2/3):191-203.
[16]Parimala M，Lopez D，Senthilkumar N C.A survey on density based clustering algorithms for mining large spatial databases［J］.International Journal of Advanced Science and Technology，2011，31(1):59-66.
[17]Schubert E，Sander J，Ester M，et al.DBSCAN revisited，revisited:why and how you should(still)use DBSCAN［J］.ACM Transactions on Database Systems，2017，42(3):1-21.
[18]Rodriguez A，Laio A.Clustering by fast search and find of density peaks［J］.Science，2014，344(6191):1492-1496.
[19]Milanovic B.A simple way to calculate the Gini coefficient，and some implications［J］.Economics Letters，1997，56(1):45-49.

一种自适应的密度峰值聚类算法

An Adaptive Density Peak Clustering Algorithm

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	丁其川，王力，刘成. 融合长距离信道注意力与病理特征的肺结节分类[J]. 东北大学学报（自然科学版）, 2023, 44(4): 476-485.
[2]	杨丹，刘国如，任梦成，裴宏杨. 多尺度卷积核U-Net模型的视网膜血管分割方法[J]. 东北大学学报（自然科学版）, 2021, 42(1): 7-14.
[3]	原培新，陈鼎夫. 双能X射线高动态范围安检图像压缩算法[J]. 东北大学学报（自然科学版）, 2021, 42(1): 96-101.
[4]	张田，田勇，王子，王昭东. 基于清晰度评价的自适应阈值图像分割法[J]. 东北大学学报:自然科学版, 2020, 41(9): 1231-1238.
[5]	徐久强，张金鹏，贾玉其，邵建新. 基于集成学习的束支传导阻滞识别方法[J]. 东北大学学报:自然科学版, 2020, 41(3): 321-326.
[6]	徐礼胜，宋代远，刘文彦，王瑜璠. 用不同外周动脉波形重建主动脉波形的对比研究[J]. 东北大学学报:自然科学版, 2020, 41(2): 188-192.
[7]	冯宝，李昌林，李智，刘壮盛. 基于活动轮廓模型和影像组学的乳腺癌LVI状态预测[J]. 东北大学学报:自然科学版, 2020, 41(2): 193-199.
[8]	石春鹤，吴成东. 基于加权稀疏非负矩阵分解的车脸识别算法[J]. 东北大学学报:自然科学版, 2019, 40(10): 1376-1381.
[9]	张云洲，郑瑞，暴吉宁，朱尚栋. 基于多个相关滤波器的行人跟踪尺度算法[J]. 东北大学学报:自然科学版, 2019, 40(9): 1228-1234.
[10]	陈红，于晓升，吴成东，孙鹏. 参数化水平集活动轮廓模型的快速图像分割算法[J]. 东北大学学报:自然科学版, 2019, 40(1): 6-10.
[11]	张良钰，边天元，徐礼胜. 冠脉狭窄对外周与中心动脉间传递函数的影响[J]. 东北大学学报:自然科学版, 2018, 39(12): 1702-1707.
[12]	赵海，李雄峰，朱宏博，王彬. 基于分形维数特征的肺结节形状建模[J]. 东北大学学报:自然科学版, 2018, 39(11): 1545-1551.
[13]	窦圣昶，赵海，朱宏博，王彬. 修正与融合的肺部分割算法[J]. 东北大学学报:自然科学版, 2018, 39(11): 1562-1566.
[14]	徐礼胜，张书琪，牛潇，徐阳. 基于全卷积网络的左心室射血分数自动检测[J]. 东北大学学报:自然科学版, 2018, 39(11): 1572-1576.
[15]	齐林，吕旭阳，杨本强，徐礼胜. 基于全卷积网络迁移学习的左心室内膜分割[J]. 东北大学学报:自然科学版, 2018, 39(11): 1577-1582.