基于K近邻密度峰值聚类的用户异常值检测.pdf

1、有哪些信誉好的足球投注网站（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。

基于K近邻密度峰值聚类的用户异常值检测

7.1密度峰值聚类算法

DPC算法的基本思想如下：1)密度峰值的局部密度较大，并且被密度均不超过它的邻

错误未找到引用源。

居包围；2)各密度峰值间的距离相对较远!。DPC算法提出了两种变量来表征样



本的密度和距离，即局部密度和到最近更高局部密度样本的相对距离。局部密度

iii

的计算公式为：

=x(d−d)

iijc(1)

1x0

(x)=(2)

0x0

其中，为样本与之间的欧氏距离，为截断距离。当数据集规模较小时，局部

ijc

密度采用高斯核函数计算，计算公式为:

d2

=exp−(3)

id2

jc



样本到较高局部密度样本的最近距离由表示，的计算公式如下:

min(d(x,x)),ifjs.t.

各类数学建模竞赛-文档，及优秀论文分享

更多 >