Resumen

Para reflejar mejor los resultados precisos de agrupación de las muestras de datos con diferentes formas y densidades para el algoritmo de agrupación de propagación de afinidad (AP), en este artículo se propuso una estrategia de aprendizaje de agrupación integrada mejorada basada en el algoritmo de propagación de afinidad de tres etapas con la teoría de optimización de picos de densidad (DPKT-AP). DPKT-AP combinó la ideología de la agrupación integrada con el algoritmo AP, al introducir la teoría de picos de densidad y el algoritmo k-means para llevar a cabo el proceso de agrupación de tres etapas. En la primera etapa, se seleccionó el punto central de agrupación mediante la agrupación de picos de densidad. Dado que el centro de agrupación estaba rodeado por el punto de vecino más cercano con una densidad local más baja y tenía una distancia relativamente grande de otros puntos con mayor densidad, esto podía ayudar al algoritmo k-means en la segunda etapa a evitar la situación ópt

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Agrupamiento; Algoritmo de propagación de afinidad; DPKT-AP; Teoría de optimización de picos de densidad; Agrupamiento integrado; Algoritmo k-means
• Keywords:Clustering; Affinity propagation algorithm; DPKT-AP; Density peak optimization theory; Integrated clustering; K-means algorithm