基于密度二分法的密度峰值聚类方法总结

存在的问题：当各个聚类中心的密度的差异较大，或者同一个类中包含多个密度中心时，DPC计

算效果受到影响？

主流改进的点dpc：在聚类中心的判断，截断距离dc 的选择，密度计算方法的修改

基于二分法的改进：算法主要分为四个部分

算法1

1.利用KNN求dc（dc自己规定的公式。）

 2.计算高低密度的分界值。

3.调用算法2，对高密度点进行密度中心计算

4.调用算法3，实现聚类中心合并

5.调用算法4，实现数据点的分配。

算法2

1.重新计算高密度点的ρi。

2计算δi

3.计算聚类中心点。

算法3

1.计算聚类中心点两两之间是否dc可达。

2.如果两个点之间dc可达，把两者中密度较小点从集合C中删除。

算法4

1. 对于高密度点使用与原密度峰值聚类方法算法同样的策略。

2. 对于低密度点做如下操作

        2.1 首先通过以下公式定义点 i 和 j 之间的相似度wij 。

        2.2 定义类归属的概率，点 i 到点 c 的概率 pc i 。

        2.3 对 pc i 进行排序升序排序，点 i 归属到比它大一些的那个点j