[发明专利]基于密度峰值的数据聚类方法、装置、介质

说明书

本发明公开了一种基于密度峰值的数据聚类方法、装置、介质，利用直接下级描述各个数据点的相对密度，其中数据点是数据集中的图片或者词语特征，设计结合相对密度和绝对密度的混合密度值识别聚类中心，并通过相似性可达定义有效下级，进行非中心点的主要分配，并结合不同簇的k层上级分布，确定剩余点的标签，以此可以有效将数据集中相同类别的数据点聚集在一个类别下，高效准确地完成了对数据集的分类。

技术领域

本发明属于聚类分析技术领域，具体的说，涉及一种基于密度峰值的数据 聚类方法、装置、介质。

背景技术

聚类分析是一种无监督学习的机器学习方法，它按照数据间的相似性将数 据分配到不同的集合中，使得同一集合内的样本点相似性较高，不同集合间的 样本点的相似度较低，这些集合称为簇。现有的聚类方法根据对相似性的不同 理解可以划分为不同的类别，典型的有基于距离的方法和基于密度的方法。 Rodriguez和Laio在2014年提出通过快速搜索和查找密度峰值的聚类方法 (Clustering by Fast Search and Find of DensityPeaks,DPC)，是一种流行的基于密 度的聚类方法，DPC是基于两个假设提出的，第一个假设为聚类中心是局部密 度峰值，第二个假设为非聚类中心点应与其高密度最近邻在同一个集群中,由于 DPC简单高效，已广泛应用于图像处理、信息安全、大数据等领域。例如，对 于一个图像集，将图像集中的相似图片聚类到一个类别下。但DPC存在以下缺 点：首先，初始聚类中心的选择是手动的，这在某些情况下是极其困难的，甚 至是不可能的。其次仅考虑绝对密度而忽略了相对密度，导致方法不能很好的 处理密度不均匀的集群。最后，DPC的剩余点分配策略将导致“连锁反应”，即 当一个高密度点被分配到错误的簇中，它的密度较低的邻居很可能别分配到同 一个错误的簇中。

发明内容

本发明的目的在于克服背景技术所提出的技术问题，提出了一种基于密度 峰值的数据聚类方法、装置、介质，从假设与实现间的不一致出发和假设的不 适用性出发。利用直接下级描述各个数据点的相对密度，设计结合相对密度和 绝对密度的混合密度值识别聚类中心，并通过相似性可达定义有效下级，进行 非中心点的主要分配，并结合不同簇的k层上级分布，确定剩余点的标签，以 此可以有效将数据集中相同类别的数据点聚集在一个类别下，高效准确地完成 了对数据集的分类。

本发明的具体技术方案如下：

根据本发明的第一技术方案，提供了一种结合混合密度和局部结构的基于 密度峰值的数据聚类方法，所述方法包括：

获取数据集，所述数据集是文本集或图像集，当所述数据集是文本集时， 提取所述文本集中的词语特征，将词语特征作为数据点，当所述数据集是图像 集时，将所述图像集中的图片作为数据点，计算每个数据点的绝对密度；通过 每个数据点的绝对密度排序得到数据点的高密度最近邻，利用数据点的直接下 级数目作为数据点的相对密度值；根据相对密度结合绝对密度表达混合密度以 确定混合密度聚类中心；通过如下公式(9)将混合密度聚类中心利用有效下级 关系逐步分配：

其中，L(x_i)表示数据点x_i的标签，Ll(x_j)表示数据点x_j的直接下级集合， DR(x_j)表示数据点x_j的相似性可达点的集合。

根据本发明的第二技术方案，提供了一种结合混合密度和局部结构的基于 密度峰值的数据聚类装置。所述装置包括处理器，所述处理器被配置为：获取 数据集，所述数据集是文本集或图像集，当所述数据集是文本集时，提取所述 文本集中的词语特征，将词语特征作为数据点，当所述数据集是图像集时，将 所述图像集中的图片作为数据点，计算每个数据点的绝对密度；通过每个数据 点的绝对密度排序得到数据点的高密度最近邻，利用数据点的直接下级数目作 为数据点的相对密度值；根据相对密度结合绝对密度表达混合密度以确定混合 密度聚类中心；通过如下公式(9)将混合密度聚类中心利用有效下级关系逐步 分配：