Resumen

Este artículo presenta un algoritmo de agrupamiento mejorado para categorizar datos con formas arbitrarias. La mayoría de los enfoques de agrupamiento convencionales solo funcionan con grupos de forma redonda. Esta tarea se puede lograr buscando rápidamente y encontrando métodos de agrupamiento para picos de densidad (DPC), pero en algunos casos, está limitada por los picos de densidad y la estrategia de asignación. Para superar estas limitaciones, se proponen dos mejoras en este artículo. Para describir de manera más comprensiva el centro de agrupamiento, las definiciones de densidad local y distancia relativa se fusionan con múltiples distancias, incluidos los vecinos más cercanos (KNN) y los vecinos más cercanos compartidos (SNN). Se diseña un algoritmo de búsqueda de similitud primero para buscar los centros de agrupamiento más coincidentes para puntos no centrales en un grafo KNN ponderado. Se ha llevado a cabo una extensa comparación con varios métodos DPC existentes, como el algoritmo DPC tradicional, agrupamiento

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Algoritmo de agrupamiento; Formas arbitrarias; Picos de densidad; K-vecinos más cercanos; Vecinos compartidos más cercanos; Comparación con métodos existentes
• Keywords:Clustering algorithm; Arbitrary shapes; Density peaks; K-nearest neighbors; Shared-nearest neighbors; Comparison with existing methods