[发明专利]一种K近邻相似度优化的密度峰聚类方法

权利要求书

1.K近邻相似度优化的密度峰聚类方法，包括：

(1)计算所有点间距离，算出截断距离d_c值，利用高斯函数：计算每个数据点的密度，然后利用函数：计算每个点到密度比它大的最近点的距离δ。其中，d_ij表示点i和点j的距离。对于全局密度最大的点，令δ_i＝max_jd_ij。

(2)根据每个点的ρ和δ值画出决策图，找出聚类中心。

(3)根据函数：计算点间相似度，找到每个点的K近邻点。其中X＝(x₁,…,x_d)和Y＝(y₁,…,y_d)是d维空间中的两个向量，m_i表示第i维上X和Y的平均值的绝对值。

(4)所有的点按照密度从大到小排序，新建空数组Aq，Bq，并把聚类中心依次放入数组Aq。

(5)按照密度从大到小的顺序，依次取点i，判断点i是否已经分配。如果已经分配，取下一个；如果未分配，则进行下一步。

(6)判断点i是否是密度峰值点。如果不是，取下一个；如果是，判断点i与指向点j是否连通。如果连通，把点i放入数组Aq末尾；如果不连通，则把点i放入数组Bq末尾。

(7)判断数组Bq是否为空，如果为空，则将剩余的点分配，结束；如果不为空，则分别从数组Aq中找出一个点j，从数组Bq中找出一个点h，满足点j与点h距离最近。

(8)判断点h与点j是否连通，如果连通，则点h的指向点为点j，把点h归入点j所在族类，并将点h加入数组Aq末尾，并从数组Bq中删除点h；如果不连通，寻找下一对最近点，判断。重复，直到数组Bq为空或者数组Bq中剩余点都不与数组Aq中的点连通。

(9)判断数组Bq是否为空，如果为空，则将剩余的点分配给指向点，结束；如果不为空，则从数组Bq中找出点t，从数组Aq中找出点j，满足点t与点j距离最近，将点t指向点j，并将点t加入数组Aq末尾，从数组Bq中删除点t，重复，直到数组Bq为空。

(10)将剩余的点分配给指向点，结束。

2.根据权利要求书1所述的K近邻相似度优化的密度峰聚类，其中，步骤(6)所述的判断点i是否为密度峰值点以及点i和点j是否连通，按照如下方法：

(2.1)根据决策图，选出聚类中心，剩余的点如果不在其指向点的K近邻内，那么它就是密度峰值点。根据DPC算法定义，聚类中心到密度比它大的最近点距离较远，所以聚类中心也作为密度峰值点。

(2.2)如果一个点i(样本点)在点j(指向点)的K近邻内，则点i与点j连通。否则，从点j的K近邻内寻找与点i相似度最大的点j_n(第n次找到的点)，判断点i与点j_n相似度是否大于点i与点j_n-1(第n-1找到的点，j₀＝j)：如果点i与点j_n的相似度大于点i与点j_n-1，并且i点在点j_n的K近邻内，则点i与点j连通；如果点i与点j_n的相似度大于点i与点j_n-1，但是i点不在点j_n的K近邻内，则从点j_n的K近邻内继续寻找与点i相似度最大的点j_n+1，重复上面的判断；如果点i与点j_n的相似度小于等于点i与点j_n-1，则点i与点j不连通。