基于密度调整和流形距离的近邻传播算法  

Affinity Propagation Clustering Algorithm Based on Density Adjustment and Manifold Distance

作　　者：夏春梦 倪志伟[1,2] 倪丽萍[1,2] 张霖[3] 

机构地区：[1]合肥工业大学管理学院,合肥230009 [2]合肥工业大学过程优化与智能决策教育部重点实验室,合肥230009 [3]北京航空航天大学自动化科学与电气工程学院,北京100191

出　　处：《计算机科学》2017年第10期187-192,215,共7页Computer Science

基　　金：国家"863"云制造主题项目(2015AA042101);国家自然科学基金重大研究计划培育项目(91546108);国家自然科学基金项目(71271071;71301041)资助

摘　　要：针对近邻传播聚类算法在构造相似度矩阵时因对多重尺度和任意形状数据敏感而聚类效果不理想的缺陷,提出一种基于密度调整和流形距离的近邻传播算法。该算法将"领域密度"和"流形理论"的思想引入近邻传播算法,利用基于密度调整和流形的距离更好地刻画了样本空间的真实分布状况,解决了相似度矩阵不能充分表示数据之间内在关系的问题,在一定程度上提高了近邻传播聚类算法的聚类效果。通过在人工数据集和标准数据集上进行实验对比,验证了算法的有效性和优越性。As affinity propagation（AP）clustering is sensitive to the dataset with scaling parameter and various form while calculating the similarity matrix and the cluster result is not ideal,an affinity propagation clustering algorithm based on density adjustment and manifold distance was proposed.The algorithm introduces local density of data and manifold theory into affinity propagation clustering,and uses a way of distance measure based on manifold structure and density adjustment to describe the clusters＇ actual structure better,making up the similarity matrix＇s deficiency.At the same time,the algorithm is more efficient.Simulation experiment was done on artificial datasets and standard datasets.The result shows the effectiveness and superiority of proposed algorithm.

关 键 词：近邻传播聚类 密度调整 流形相似度 多重尺度数据集 任意形状数据集 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]