基于密度的聚类-DBSCAN、OPTICS、DENCLUE

示例数据和Python代码使用指南：该聚类算法基于Python，可在以下链接中找到源代码和示例数据。源代码包括原始版本和修改后的版本，修改后的版本添加了将聚类结果输出到文本的功能。使用该算法前需先安装

传统的基于密度的带噪声空间数据聚类算法主要存在以下问题: 聚类只对具有数值属性的数据有效, 而对 具有非数值属性的数据失效; 参数设置困难且聚类结果对参数较为敏感; 聚类的度量以绝对密度值为标准, 无

基于密度-距离的t混合模型流式数据聚类.pdf,传统流式数据采用人工设门法分析，效率低下且依赖于专家。近几年，很多自动流式数据聚类算法纷纷被提出，然而针对数据量不多且分布稀疏的小样本类群始终没有很好的

针对目前聚类算法不能有效地处理模糊边界点的问题，提出了一种基于真实核心点的RDBSCAN聚类算法。提出真实核心点的概念，首先在密度聚类过程中的核心点进一步处理分类，把影响聚类效果的伪核心点剔除，将剩下

针对经典谱聚类算法无法自适应确定聚类数目，以及在处理大数据量的聚类问题时效率不高的问题，提出了一种基于密度峰值优化的谱聚类算法。该方法首先计算数据对象的局部密度，以及每个数据对象与其他数据对象的最小距

基于局部信息的密度敏感谱聚类，戴虔，张力生，谱聚类算法的关键在于如何衡量数据之基于局部信息的密度敏感谱聚类基于局部信息的密度敏感谱聚类间的邻近关系，本文通过分析密度

大多数现有的聚类算法都致力于发现任意形状、任意大小的类，但很难有效处理多密度的数据集。提出的算法利用网格聚类速度快的特点，先通过高斯平滑去除噪声，再采用网格梯度的思想找出隐藏在多密度数据集中的簇。算法

近年来，谱聚类在分类领域得到了广泛的研究，其中基于路径和基于密度的算法是两个重要的研究方向。虽然这两种算法在一些数据集上能取得较好的分类效果，但不能对一些特殊的数据集进行准确分类。融合了这两种方法的优

传统的K-means算法随机选取初始聚类中心，聚类结果不稳定，容易陷入局部最优解。针对聚类中心的敏感性，提出一种优化初始聚类中心的K-means算法。此算法利用数据集样本的分布特征计算样本点的密度并进

依据样本数据点分布的局部和全局一致性特征,提出了一种基于局部密度构造相似矩阵的谱聚类算法。首先通过分析样本数据点的分布特性给出了局部密度定义,根据样本点的局部密度对样本点集由密到疏排序,并按照设计的连