密度峰值

摘要： 文章针对密度峰值聚类算法(Densit y Pe ak,DPe ak)能够有效解决离群点检测和分类的问题,结合算法特点进行改良优化,提出了一种基于密度峰值聚类算法的反作弊模型,通过构建对抗性学习框架、优化算法计算复杂度、引入LOF判别分类机制、多模态融合技术等创新方法,实现了不同阶段黑产演变环境下的规则校验和分类判定。该模型有效解决了百万级数据集时间复杂度高、任意形状类簇的聚类等流量反作弊服务的领域性挑战问题,对于密度峰值聚类算法的产业应用具有一定的研究意义。实验结果表明,反作弊模型在聚类效果和算力测试上均达到了预期结果,证明了该模型的有效性。

摘要： 针对密度峰值聚类算法(DPC,the density peak clustering algorithm)聚类结果受距离阈值dc参数影响较大的问题,提出一种局部密度捕获范围以及利用局部密度信息熵均值进行加权优化的方法(简称为LDDPC),在DPC算法选取到错误的距离阈值dc时,通过对最大密度邻近点的相对距离进行加权,重新获得正确的分类数量和聚类中心;经典数据集的实验结果表明,基于局部密度信息熵均值加权优化能避免DPC算法中距离阈值dc对聚类结果的影响,提高分类的正确率。

摘要： 通过自行开发的爬虫脚本,抓取新浪微博上不同的关键词组成文本数据集,对数据信息进行中文分词、去停用词、权重计算等预处理,然后利用改进的聚类算法对文本聚类分析。针对K-means算法存在随机选取的初始聚类中心导致后期易收敛不能保证全局最优的问题,提出改进的密度峰值算法优化的K-means聚类算法。实验结果表明,与传统的K-means算法相比较,改进后的算法聚类更加有效稳定,提高了微博舆情发现的准确度和效率。

摘要： 密度峰值聚类算法(DPC)是近年来提出的一种新的密度聚类算法,其核心基于局部密度和相对距离。该算法在定义局部密度以及相对距离时直接用欧式距离,导致在一些稀疏差异大及长弧形的类簇聚类效果差,且一步分配策略的鲁棒性不佳。提出基于随机游走的密度峰值聚类算法(RW-DPC),即引入随机游走首次到达模型来刻画数据点之间的相似性,重新定义数据点的局部密度,且给出一种新的样本分配策略。对比在人工数据集和UCI真实数据集上与其他聚类算法的实验结果,说明对于密度不均匀及弧形类的数据集,本文算法的聚类效果优于密度峰值聚类算法以及其他算法。

摘要： Self-Training算法的性能很大程度上取决于高置信度样本的识别准确度。受DPC算法启发,利用密度峰值定义样本间的原型关系,并构造出近亲结点图这一新型数据结构。在此基础上,提出了一种近亲结点图编辑的Self Training算法(self-training algorithm with editing direct relative node graph-DRNG)。DRNG采用假设检验的方法选择高置信度样本,将其加入有标签样本集进行迭代训练。因误分的高密度样本点对Self-Training算法的分类性能影响较大,所以,DRNG综合考虑距离和密度两个方面定义了近亲结点图中割边的非对称权重,增大了高密度点的割边权重,使其落在拒绝域外的概率增加,减小了因其误分类而产生的风险。为了验证DRNG的性能,在8个基准数据集上与类似算法进行对比实验,实验结果验证了DRNG的有效性。

摘要： 在集成算法中嵌入代价敏感和重采样方法是一种有效的不平衡数据分类混合策略。针对现有混合方法中误分代价计算和欠采样过程较少考虑样本的类内与类间分布的问题,提出了一种密度峰值优化的球簇划分欠采样不平衡数据分类算法DPBCPUSBoost。首先,利用密度峰值信息定义多数类样本的抽样权重,将存在“近邻簇”的多数类球簇划分为“易误分区域”和“难误分区域”,并提高“易误分区域”内样本的抽样权重;其次,在初次迭代过程中按照抽样权重对多数类样本进行欠采样,之后每轮迭代中按样本分布权重对多数类样本进行欠采样,并把欠采样后的多数类样本与少数类样本组成临时训练集并训练弱分类器;最后,结合样本的密度峰值信息与类别分布为所有样本定义不同的误分代价,并通过代价调整函数增加高误分代价样本的权重。在10个KEEL数据集上的实验结果表明,与现有自适应增强(AdaBoost)、代价敏感自适应增强(AdaCost)、随机欠采样增强(RUSBoost)和代价敏感欠采样自适应增强(USCBoost)等不平衡数据分类算法相比,DPBCPUSBoost在准确率(Accuracy)、F1分数(F1-Score)、几何均值(G-mean)和受试者工作特征(ROC)曲线下的面积(AUC)指标上获得最高性能的数据集数量均多于对比算法。实验结果验证了DPBCPUSBoost中样本误分代价和抽样权重定义的有效性。

摘要： 针对基于快速搜索和发现密度峰值的聚类(CFSFDP)算法中截断距离需要人工选取,以及最近邻分配带来的误差导致的在具有不同密度簇的复杂数据集上的聚类效果不佳的问题,提出了一种基于自适应可达距离的密度峰值聚类(ARD-DPC)算法。该算法利用非参数核密度估计方法计算点的局部密度,根据决策图选取聚类中心,并利用自适应可达距离分配数据点,从而得到最终的聚类结果。在4个合成数据集和6个UCI数据集上进行了仿真实验,将所提算法ARD-DPC与基于快速搜索和发现密度峰值的聚类(CFSFDP)、基于密度的噪声应用空间聚类(DBSCAN)、基于密度自适应距离的密度峰聚类(DADPC)算法进行了比较,实验结果表明,相比其他三种算法,ARD-DPC算法在7个数据集上的标准化互信息(NMI)、兰德指数(RI)和F1-measure取得了最大值,在2个数据集分别取得F1-measure和NMI的最大值,只对模糊度较高、聚类特征不明显的Pima数据集聚类效果不佳;同时,ARD-DPC算法在合成数据集上能准确地识别出聚类数目和具有复杂密度的簇。

摘要： 快速搜索和寻找密度峰值聚类算法(DPC)是近年来提出的一种基于密度的聚类算法,具有原理简单、无需迭代并能实现任意形状聚类的优点。但该算法仍存在一些缺陷:围绕聚类中心点聚类,使聚类结果受中心点影响显著,且聚类中心点数量仍需人为指定;截断距离仅考虑了数据的分布密度,忽略了数据的内部特征;聚类过程中若有样本存在分配错误,会导致其后续样本聚类出现跟随错误。针对上述问题,尝试提出一种去中心化加权簇归并的密度峰值聚类算法(DCM-DPC)。该算法引入权重系数重新定义了局部密度,并由此划分出位于不同局部高密度区域的核心样本组,用于取代聚类中心点成为聚类的依据。最后将剩余样本按其近邻样本所在类簇的众数,或分配到最高耦合的核心样本组代表的类簇中或标注为离散点以完成聚类。在人工和UCI数据集上的实验结果表明,提出算法的聚类效果优于对比算法,对相互纠缠的类簇的边界样本划分也更加精确。

摘要： 密度峰值聚类(DPC)算法是一种基于密度的聚类算法。该算法原理简单、运行高效,可以找到任意非球形类簇。但是该算法存在一些缺陷:首先,该算法局部密度定义的度量准则不统一且两者的聚类结果存在较大差异;其次,该算法的分配策略易产生分配连带错误,即一旦某一个样本分配错误,会导致后续一连串的样本分配错误。为解决这些问题,提出了一种加权K近邻和多簇合并的密度峰值聚类算法(WKMM-DPC)。该算法结合加权K近邻的思想,引入样本的权重系数,重新定义样本的局部密度,使局部密度更加依赖于K近邻内样本的位置,且统一了密度定义的度量准则;定义了类簇间的相似度,并据此度量准则进行多簇合并,以避免分配剩余样本时的分配连带错误。在人工和UCI数据集上的实验表明,该算法的聚类效果优于FKNNDPC、DPCSA、FNDPC、DPC和DBSCAN算法。

摘要： 为了深入挖掘校园无线网络轨迹行为数据信息,采用基于密度的聚类方法对校园内用户的轨迹行为进行特征聚类。由于基于密度的聚类算法通常采用距离作为相似性度量方式,为了有效衔接此类聚类算法,先将用户相似度矩阵通过转换函数转变为距离矩阵。引入离群点检测算法,将离群点检测算法与聚类算法相结合,减少参数的输入个数,增加聚类的聚合程度。改进后的聚类算法可以有效检测出数据轨迹的异常,帮助高校通过对学生上网记录的处理找到浏览信息与大部分同学不一致的人,缩小目标范围,进行有针对性的处理。通过定性分析和实验对比验证,确定两种基于离群点检测的共享最近邻的快速搜索密度峰值聚类适用于校园无线网络行为轨迹相似度矩阵的处理,邓恩指数等聚类内部指标及整体性能优于同类算法。

摘要： 对极化SAR图像的地物分类是一个重要的研究方向.基于密度峰值的聚类搜索,本文提出了一种针对全极化SAR图像的像素级的无监督分类方法.首先为了降低特征数量,通过遍历图像抽取极化特征模板建立模板库和对应模板的统计量.然后通过基于密度峰值的聚类中心搜索来确定聚类.最后根据图像与特征模板的最小chernoff距离确定分类.文章的最后通过实测数据分析验证了方法的有效性.

摘要： 本发明针对密度峰值聚类算法(DPC)不适用于流形数据集、聚类中心的选择需要人为干预且会在剩余点分配会出现多米诺效应的缺陷。提出了一种基于密度相似性的密度峰值聚类算法(DA‑DPC)。首先，引用密度相识度来代替欧式距离来适用处理流形数据集，可以消除dc对算法结果的影响；其次，根据密度聚类指数的特点和聚类的定义，设计了一种新的密度聚类指数(DCI)，自动获取聚类中心，降低参数对聚类结果的影响；对于剩余点提出两种匹配策略，更好的达到聚类效果；实验表明，该算法在人工数据集和UCI真实数据集上比常用的几种聚类算法具有更好的聚类效果。

摘要： 本发明公开了一种基于局部可达密度的密度峰值聚类方法，包括以下步骤：首先利用数据集的距离矩阵计算样本的局部可达密度，生成决策图并判断聚类中心；将样本依据局部可达密度降序排列，依次依照加权分配策略分配，从而完成对数据集的聚类。本发明的聚类方法能够自动确定聚类中心的个数，且能够处理任意形状的聚类。相较于传统的密度峰值聚类算法，消除了多米诺效应并去除了敏感参数，具有容错性高，鲁棒性强的特点。此外，考虑到了数据对象在其所处的局部空间中的分布差异，可有效处理真实世界的数据。

摘要： 本发明提供一种基于密度峰值聚类的多模型时空建模方法，方法包括：利用DPC聚类算法将时空变量划分为若干局部子空间，其每个子空间代表原始系统局部时空特征；采用KL方法学习相应的局部空间基函数；通过ELM建立所有局部时间系数模型，并利用获得的局部空间基函数和相应的时间系数模型来重构局部时空模型；通过LASSO回归计算相应子模型的权重，对各局部时空模型进行加权求和得到的集成模型来逼近原系统。本发明提供的有益效果是：建立了一个数据驱动的分布参数系统热过程温度预测模型，能够有效解决由于系统复杂导致难以精确建模问题，相比目前其它的方法，本发明建立的模型除了可以提高建模精度，还更加适用于具有大范围、多工况的非线性分布参数系统。

摘要： 本发明公开了基于改进密度峰值聚类的信号依赖噪声参数估计方法。通过滑动窗口从含有噪声的图像中提取样本，计算均值、熵和梯度作为特征数据。再输入聚类算法中进行聚类，区分弱纹理样本与强纹理样本。在聚类的过程中，引入了相对密度的概念，通过数据点与周围数据的距离，划分了比较范围，计算每个比较范围中数据点的相对密度，最后选择相对密度高的数据点作为聚类中心，解决了传统的DPC算法在对密度不均匀数据集进行聚类时往往忽视稀疏簇中心，从而影响聚类精度的问题。根据聚类结果，对簇标签为弱纹理的样本进行像素水平估计与噪声估计，最后通过最小二乘法拟合像素值‑噪声方差估计对，得到原始图像的噪声参数估计值，实现去噪的准备工作。

摘要： 本发明公开了一种基于共享近邻与吸引度的密度峰值聚类的用户用电行为分析方法，对用户的用电负荷数据进行预处理，对缺失数据进行插补，剔除无效数据；采用PCA技术对负荷数据进行降维，计算特征矩阵，提取其主成分；以降维后的数据作为输入，利用DPC‑SNA算法的共享近邻的局部密度和吸引度的分配策略进行聚类；对聚类结果进行分析，重构用户的用电负荷曲线，并进行用户用电行为分析。本发明构造了共享近邻相似度的样本相似性度量准则定义局部密度，摈弃了截断距离阈值对局部密度的影响；并依靠吸引度矩阵对剩余样本进行分配，有效区分不同用户的用电行为特征并给出相应类型用户的负荷峰值时间段，并对不同用户用电行为特征给出了合理的智能电网规划建议。

摘要： 本发明公开了一种基于K近邻密度峰值聚类的电力数据异常值检测算法，输入电力负荷数据X，邻近个数K，对负荷数据进行预处理，即用均值替代法补上缺失值，计算样本i与样本j间的欧氏距离，构建样本的距离矩阵，便于选取样本K近邻点，根据公式分别计算样本的局部密度ρi和相对距离δi，设置经验参数ερ与εδ；根据公式，计算局部密度阈值ρf和相对距离阈值δf，将ρi＜ρf和δi＞δf时的样本i认定为异常值，输出异常数据。本发明利用K近邻思想重新定义DPC算法的局部密度，改善原始算法没有考虑数据局部特点以及局部密度定义不统一的不足；同时只需要确定一个参数K，消除了截断距离对算法聚类效果的影响，且参数较易确定其取值，能更加准确检测出电力数据异常值。

摘要： 本发明公开了一种基于主成分分析和密度峰值聚类的用户用电行为分析方法，将降维后的数据归一化处理，输入样本邻近个数K；然后计算样本间的欧氏距离dij；计算出样本i的局部密度ρi和样本i的K近邻距离建立决策图，选取类簇中心；计算出样本i与样本j的共享近邻相似度S(i,j)；获得样本的相似度矩阵；最后通过相似性矩阵对所有已分配的样本寻找相似度最高的未分配样本，将未分配样本分配给已分配样本所在类簇；循环该操作直至所有剩余样本分配完毕；输出最终聚类结果。本发明用样本邻近个数K取代dc，容易确定取值；并引入调节各样本对当前样本的密度贡献，使获得的类簇中心更加准确；通过共享近邻相似度计算局部密度，更易区分决策图中的类簇中心与非类簇中心。

摘要： 本发明提供了一种用于概率整形相干光通信系统的非线性补偿方法，利用加权的密度峰值聚类算法，对接收到的概率整形信号进行处理，包括：计算接收数据中每个对象的密度和最小相对距离，并根据概率整形分布因子给每个对象赋予权值，将三项相乘后得到的参量按从大到小排列选出密度峰值点。然后根据密度峰值点给剩下的对象分配标签。本发明可以对不均匀的概率整形信号进行聚类，有效提升系统的性能，使系统误码率得到明显改善。

摘要： 本发明提供了一种基于改进密度峰值聚类算法的高熵合金硬度预测方法，属于合金硬度预测领域。为了解决高熵合金数据集数据结构差异较大，采用传统的回归模型直接对整个高熵合金数据集的硬度进行预测，不能较好的学习到高熵合金数据集的内部结构特征，导致预测能力较差的问题。本发明包括以下步骤：1、针对原始的密度峰值聚类算法进行改进得到改进密度峰值聚类算法，称为SKTDPC算法；步骤1‑1、基于K‑d树加速局部密度的计算；步骤1‑2、通过稀疏搜索策略加速相对距离的计算；步骤1‑3、聚类中心的自适应确定；步骤2、依据改进密度峰值聚类算法对高熵合金硬度进行预测；本发明改进密度峰值聚类算法进行了双重加速，降低了算法的复杂度。

摘要： 本发明涉及一种基于自适应的密度峰值聚类方法，属于密度聚类的基本算法之一，本发明旨在解决传统的DPC聚类算法中存在的问题，传统的DPC算法对数据进行处理，计算局部密度和最小距离，通过局部密度和最小距离构造决策图，人工选取局部密度和最小距离都较大的点作为聚类中心点，导致聚类的准确度不高，因此针对密度峰值聚类算法不能自适应选取簇的数目，人工选取聚类中心等问题，引入了迪杰特斯拉算法和模糊C‑均值算法，对DPC聚类算法进行改进，从而改善了DPC聚类算法中存在的不足，提高了聚类的精确度，达到优化密度峰聚类算法效果的目的。