密度峰值聚类算法研究进展

作者：徐晓; 丁世飞^*; 丁玲

来源：软件学报, 2022, 33(05): 1800-1816.

DOI：10.13328/j.cnki.jos.006122

• 密度峰值聚类
• 聚类精度
• 计算复杂度
• 应用

密度峰值聚类(density peaks clustering, DPC)算法是聚类分析中基于密度的一种新兴算法,该算法考虑局部密度和相对距离绘制决策图,快速识别簇中心,完成聚类. DPC具有唯一的输入参数,且无需先验知识,也无需迭代.自2014年提出以来, DPC引起了学者们的极大兴趣,并得到了快速发展.首先阐述DPC的基本理论,并通过与经典聚类算法比较,分析了DPC的特点;其次,分别从聚类精度和计算复杂度两个角度分析了DPC的弊端及其优化方法,包括局部密度优化、分配策略优化、多密度峰优化以及计算复杂度优化,并介绍了每个类别的主要代表算法;最后介绍了DPC在不同领域中的相关应用研究.对DPC的优缺点提供了全面的理论分析,并对DPC的优化以及应用进行了全面阐述.还试图找出进一步的挑战来促进DPC研究发展.

• 单位
  中国矿业大学; 中国矿业大学（北京）